Clustering and Modeling Lunch and Learn
Introduction
What is Clustering?
Clustering is a unsupervised learning method and technique that allows us to group data points close to each other into a single group.
NOTE : Unsupervised learning is one of two broad classes of machine learning, in unsupervised learning, there is no outcome variable to predict. Imagine receiving outcomes of a survey, with the survey results we would like to put customers in certain groups. The trouble is we don’t know what these groups are to begin with.
How can we use clustering?
Clustering can be used in many ways, but the two most common use-cases for clustering are :
- Simplifying a categorical variable to reduce the number of categories within
- Cluster a data set entirely
This study will focus on the first application. Regarding the second application, imagine the survey example mentioned above. The goal could be to find groups of people that prefer certain products, without having them buy the products, we can ask them some questions. Based on these answers we can then cluster them into groups of people who would be more likely to buy product X or product Y. Knowing this information can allow us to market to group X differently than to group Y.
Ways to Cluster:
- K-Means Clustering
- Hierarchical Clustering
- Mean-Shift Clustering
- Density Based Spatial Clustering of Applications with Noise (DBSCAN)
- Expectation-Maximization (EM) Clustering using Guassian Mixture Models (GMM)
For this tutorial, we will use a public dataset for Income Census Data
Clustering
The aim of this part is to Cluster a column (country) with 41 modalities (levels) into something more reasonable/simple. This is to reduce number of variables that go into our model because each country can be considered as a separate variable. It can make the model more interpretable if the clusters make sense, i.e. perhapse grouping third-world countries together vs first-world countries.Modeling
Build a model on the unclustered data and on the clustered data, and compare models. We will train a binary classification to predict whether someone will have an income higher or lower than 50K.
Let’s get to it!
Setup Code and Load Data
Setting up our environment
First we load all our packages that we need.
# Setup and Load Packages -------------------------------------------------
options(scipen = 999)
if (!is.element("yaml", .packages(all.available = TRUE))) install.packages("yaml")
if (!is.element("devtools", .packages(all.available = TRUE))) install.packages("devtools")
for (func in list.files(path = "1_code/0_functions/", full.names = TRUE)) source(func)
# Load Meta data
metaData <- yaml::read_yaml(file = "metadata.yaml")
devtools::install_github(repo = metaData$connectionDetails$github$repo, auth_token = metaData$connectionDetails$github$token)
eaR::pkgInstaller(libs = c("tidyverse", "lubridate", "caret", "factoextra", "e1071", "kableExtra"), destinationFolder = "C:/Users/a009831/Documents/rlibraries")Loading the data
Load the train and test from here
We chose this dataset since it is public, hence a reproducible example. We also need to find a dataset with a categorical variable with a lot of modalities.
I have downloaded this file into my local drive and loaded from my local project.
The data comes in a separate train and test set already but we merged this so that we can choose our own splits.
I fill out the column names because they’re missing in the download.
# Load train and test data ------------------------------------------------
train <- data.table::fread("0_data/Census Income/adult.data.csv") %>%
eaR::cleanNames(sep = "_")
test <- data.table::fread("0_data/Census Income/adult.test.csv") %>%
eaR::cleanNames(sep = "_")
# Fill column names
fillColNames <- c("age", "workclass", "fnlwgt", "education", "education_num", "marital_status", "occupation", "relationship", "race", "sex", "capital_gain", "capital_loss", "hours_per_week", "native_country", "income")
base::names(train) <- fillColNames
base::names(test) <- fillColNames
# Join train and test
dat <- train %>%
dplyr::bind_rows(test)
# Remove df's from memory
rm(test, train)Structure and cleaning the data
We then need to clean up the data ready for Clustering and modeling.
To do this I take a look at the columns that we have, 14 variables plus the Income predictor variable.
dplyr::glimpse(dat)Rows: 48,842
Columns: 15
$ age <int> 39, 50, 38, 53, 28, 37, 49, 52, 31, 42, 37, 30, 23, ...
$ workclass <chr> "State-gov", "Self-emp-not-inc", "Private", "Private...
$ fnlwgt <int> 77516, 83311, 215646, 234721, 338409, 284582, 160187...
$ education <chr> "Bachelors", "Bachelors", "HS-grad", "11th", "Bachel...
$ education_num <int> 13, 13, 9, 7, 13, 14, 5, 9, 14, 13, 10, 13, 13, 12, ...
$ marital_status <chr> "Never-married", "Married-civ-spouse", "Divorced", "...
$ occupation <chr> "Adm-clerical", "Exec-managerial", "Handlers-cleaner...
$ relationship <chr> "Not-in-family", "Husband", "Not-in-family", "Husban...
$ race <chr> "White", "White", "White", "Black", "Black", "White"...
$ sex <chr> "Male", "Male", "Male", "Male", "Female", "Female", ...
$ capital_gain <int> 2174, 0, 0, 0, 0, 0, 0, 0, 14084, 5178, 0, 0, 0, 0, ...
$ capital_loss <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0...
$ hours_per_week <int> 40, 13, 40, 40, 40, 40, 16, 45, 50, 40, 80, 40, 30, ...
$ native_country <chr> "United-States", "United-States", "United-States", "...
$ income <chr> "<=50K", "<=50K", "<=50K", "<=50K", "<=50K", "<=50K"...
Inspecting the categorical data
I pick out the character columns and inspect the levels of the data.
# Character columns
cols <- c("workclass", "education", "marital_status", "occupation", "relationship", "race", "sex", "native_country", "income")
# Loop through columns and get the unique contents and counts
finRes <- c()
finDf <- base::data.frame()
for (vr in cols) {
tempresult <- dat %>%
dplyr::group_by(!!as.name(vr)) %>%
dplyr::summarise(n = n()) %>%
dplyr::arrange(-n)
if(nrow(tempresult) > base::nrow(finDf)) {
for (ii in 1:(base::nrow(tempresult) - base::nrow(finDf))) {
finDf <- finDf %>% dplyr::add_row()
}
} else {
for (ii in 1:(base::nrow(finDf) - base::nrow(tempresult))) {
tempresult <- tempresult %>% dplyr::add_row()
}
}
finDf[[vr]] <- tempresult[[vr]]
finDf[[paste0(vr, "_n")]] <- tempresult$n
}
finDf %>%
kable() %>%
kable_styling()| workclass | workclass_n | education | education_n | marital_status | marital_status_n | occupation | occupation_n | relationship | relationship_n | race | race_n | sex | sex_n | native_country | native_country_n | income | income_n |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Private | 33906 | HS-grad | 15784 | Married-civ-spouse | 22379 | Prof-specialty | 6172 | Husband | 19716 | White | 41762 | Male | 32650 | United-States | 43832 | <=50K | 24720 |
| Self-emp-not-inc | 3862 | Some-college | 10878 | Never-married | 16117 | Craft-repair | 6112 | Not-in-family | 12583 | Black | 4685 | Female | 16192 | Mexico | 951 | <=50K. | 12435 |
| Local-gov | 3136 | Bachelors | 8025 | Divorced | 6633 | Exec-managerial | 6086 | Own-child | 7581 | Asian-Pac-Islander | 1519 | NA | NA | ? | 857 | >50K | 7841 |
| ? | 2799 | Masters | 2657 | Separated | 1530 | Adm-clerical | 5611 | Unmarried | 5125 | Amer-Indian-Eskimo | 470 | NA | NA | Philippines | 295 | >50K. | 3846 |
| State-gov | 1981 | Assoc-voc | 2061 | Widowed | 1518 | Sales | 5504 | Wife | 2331 | Other | 406 | NA | NA | Germany | 206 | NA | NA |
| Self-emp-inc | 1695 | 11th | 1812 | Married-spouse-absent | 628 | Other-service | 4923 | Other-relative | 1506 | NA | NA | NA | NA | Puerto-Rico | 184 | NA | NA |
| Federal-gov | 1432 | Assoc-acdm | 1601 | Married-AF-spouse | 37 | Machine-op-inspct | 3022 | NA | NA | NA | NA | NA | NA | Canada | 182 | NA | NA |
| Without-pay | 21 | 10th | 1389 | NA | NA | ? | 2809 | NA | NA | NA | NA | NA | NA | El-Salvador | 155 | NA | NA |
| Never-worked | 10 | 7th-8th | 955 | NA | NA | Transport-moving | 2355 | NA | NA | NA | NA | NA | NA | India | 151 | NA | NA |
| NA | NA | Prof-school | 834 | NA | NA | Handlers-cleaners | 2072 | NA | NA | NA | NA | NA | NA | Cuba | 138 | NA | NA |
| NA | NA | 9th | 756 | NA | NA | Farming-fishing | 1490 | NA | NA | NA | NA | NA | NA | England | 127 | NA | NA |
| NA | NA | 12th | 657 | NA | NA | Tech-support | 1446 | NA | NA | NA | NA | NA | NA | China | 122 | NA | NA |
| NA | NA | Doctorate | 594 | NA | NA | Protective-serv | 983 | NA | NA | NA | NA | NA | NA | South | 115 | NA | NA |
| NA | NA | 5th-6th | 509 | NA | NA | Priv-house-serv | 242 | NA | NA | NA | NA | NA | NA | Jamaica | 106 | NA | NA |
| NA | NA | 1st-4th | 247 | NA | NA | Armed-Forces | 15 | NA | NA | NA | NA | NA | NA | Italy | 105 | NA | NA |
| NA | NA | Preschool | 83 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Dominican-Republic | 103 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Japan | 92 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Guatemala | 88 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Poland | 87 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Vietnam | 86 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Columbia | 85 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Haiti | 75 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Portugal | 67 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Taiwan | 65 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Iran | 59 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Greece | 49 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Nicaragua | 49 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Peru | 46 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Ecuador | 45 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | France | 38 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Ireland | 37 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Hong | 30 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Thailand | 30 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Cambodia | 28 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Trinadad&Tobago | 27 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Laos | 23 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Outlying-US(Guam-USVI-etc) | 23 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Yugoslavia | 23 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Scotland | 21 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Honduras | 20 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Hungary | 19 | NA | NA |
| NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | Holand-Netherlands | 1 | NA | NA |
After doing the inspection we can clean up things like “?”’s, names and groupings i.e. native_country = “holand_netherlands”, where there is only one observation.
# Remove finDf since it is no longer needed
rm(finDf)
# Use the above to clean columns
dat <- dat %>%
dplyr::mutate(workclass = dplyr::if_else(workclass == "?", "other", workclass) %>% eaR::cleanNames(sep = "_"),
education = education %>% eaR::cleanNames(sep = "_"),
marital_status = marital_status %>% eaR::cleanNames(sep = "_"),
occupation = dplyr::if_else(occupation == "?", "other", occupation) %>% eaR::cleanNames(sep = "_"),
relationship = relationship %>% eaR::cleanNames(sep = "_"),
race = race %>% eaR::cleanNames(sep = "_"),
sex = sex %>% eaR::cleanNames(sep = "_"),
native_country = native_country %>% eaR::cleanNames(sep = "_"),
native_country = dplyr::if_else(native_country %in% c("", "holand_netherlands"), "other", native_country),
income = income %>% gsub(pattern = "\\.", replacement = ""))Clustering
We will use K-means clustering to define our clusters. Please refer to the appendix for more information on how clustering works.
First we use stratified sampling to split our data into 20% for our cluster set and 80 for the rest. We do this to ensure that we do not introduce leakage into our modeling step.
# Stratified sampling separate data into 20 for cluster, 80 train, 20 test
set.seed(123)
splitIndex <- caret::createDataPartition(dat[, native_country],
p = 0.2,
list = FALSE,
times = 1)
clusterDF <- dat[splitIndex, ]
modDF <- dat[-splitIndex, ]Next we need to create some variables to make our cluster for our countries variable that we will cluster
# Clustering Scaling/Standardising of variables/ Mean and Standard deviation to create info
clustPrep <- clusterDF %>%
dplyr::group_by(native_country) %>%
dplyr::summarise(meanAge = age %>% mean(na.rm = TRUE),
sdAge = age %>% sd(na.rm = TRUE),
meanEdu = education_num %>% mean(na.rm = TRUE),
sdEdu = education_num %>% sd(na.rm = TRUE),
meanWgt = fnlwgt %>% mean(na.rm = TRUE),
sdWgt = fnlwgt %>% sd(na.rm = TRUE),
meanhours = hours_per_week %>% mean(na.rm = TRUE),
sdhours = hours_per_week %>% sd(na.rm = TRUE),
meanCapGain = capital_gain %>% mean(na.rm = TRUE),
sdCapGain = capital_gain %>% sd(na.rm = TRUE),
meanCapLoss = capital_loss %>% mean(na.rm = TRUE),
sdCapLoss = capital_loss %>% sd(na.rm = TRUE),
sexMale = sum(sex == "male", na.rm = TRUE),
sexAll = n(),
incomeLT50 = sum(income == "<=50K", na.rm = TRUE),
incomeAll = n()) %>%
dplyr::mutate(incomePropLT50 = incomeLT50 / incomeAll,
sexMaleProp = sexMale / sexAll) %>%
dplyr::select(-c(incomeLT50, incomeAll, sexMale, sexAll)) %>%
base::as.data.frame()
# Keep a copy of countries to use later, we keep this to later join our clusters back on to it
finClust <- clustPrep %>%
dplyr::select(native_country)
# Drop categorical variable
rownames(clustPrep) <- clustPrep$native_country
clustPrep$native_country <- NULLLet’s take a quick look at what the clustering data now looks like
clustPrep %>%
kable() %>%
kable_styling()| meanAge | sdAge | meanEdu | sdEdu | meanWgt | sdWgt | meanhours | sdhours | meanCapGain | sdCapGain | meanCapLoss | sdCapLoss | incomePropLT50 | sexMaleProp | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| cambodia | 35.33333 | 11.236844 | 8.166667 | 3.0605010 | 191748.8 | 99109.38 | 40.00000 | 0.000000 | 0.00000 | 0.0000 | 267.00000 | 654.0138 | 0.6666667 | 0.8333333 |
| canada | 48.75676 | 16.233377 | 11.027027 | 3.1665481 | 189618.1 | 107093.68 | 40.54054 | 13.885633 | 4166.70270 | 16746.2103 | 117.67568 | 503.7222 | 0.5405405 | 0.6756757 |
| china | 43.16000 | 10.040252 | 9.680000 | 3.8483763 | 169217.8 | 95967.30 | 39.36000 | 11.600575 | 4615.00000 | 19984.9475 | 0.00000 | 0.0000 | 0.7200000 | 0.7600000 |
| columbia | 31.29412 | 8.651335 | 9.117647 | 2.5952445 | 202018.6 | 55296.27 | 42.05882 | 10.164095 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 0.9411765 | 0.7647059 |
| cuba | 49.14286 | 12.551270 | 8.892857 | 3.0470300 | 247236.6 | 72100.07 | 41.28571 | 9.486275 | 0.00000 | 0.0000 | 139.39286 | 511.9879 | 0.7500000 | 0.7142857 |
| dominican_republic | 39.95238 | 10.749308 | 7.142857 | 3.9910614 | 188100.6 | 56888.16 | 40.04762 | 4.352886 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 0.9523810 | 0.5714286 |
| ecuador | 35.66667 | 14.361407 | 9.444444 | 2.6977357 | 190114.9 | 50510.15 | 40.33333 | 16.140012 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 1.0000000 | 0.5555556 |
| el_salvador | 34.67742 | 13.409914 | 7.258064 | 3.5680783 | 245302.8 | 116423.14 | 35.80645 | 8.893516 | 1241.48387 | 4440.7895 | 0.00000 | 0.0000 | 0.8709677 | 0.6451613 |
| england | 38.23077 | 15.295248 | 10.269231 | 3.3052406 | 164727.6 | 79686.82 | 38.57692 | 14.230033 | 289.80769 | 1027.2339 | 77.00000 | 392.6245 | 0.7692308 | 0.7307692 |
| france | 39.87500 | 13.558735 | 12.250000 | 2.4348658 | 168554.9 | 161093.57 | 47.00000 | 22.097188 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 0.6250000 | 0.5000000 |
| germany | 39.54762 | 13.440388 | 11.285714 | 2.2007284 | 179250.0 | 96623.84 | 41.14286 | 9.277750 | 1504.90476 | 5335.6902 | 120.14286 | 452.7230 | 0.7380952 | 0.6190476 |
| greece | 50.10000 | 13.584714 | 9.300000 | 4.1646662 | 134951.1 | 30868.70 | 40.90000 | 26.797388 | 438.60000 | 1386.9750 | 406.30000 | 875.4257 | 0.6000000 | 0.9000000 |
| guatemala | 31.88889 | 9.125845 | 8.111111 | 2.6096853 | 255205.4 | 138133.72 | 40.22222 | 9.698730 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 0.9444444 | 0.7222222 |
| haiti | 41.26667 | 9.617444 | 9.000000 | 3.2071349 | 198735.3 | 70337.70 | 37.66667 | 10.061714 | 0.00000 | 0.0000 | 99.00000 | 383.4254 | 0.8666667 | 0.4666667 |
| honduras | 30.50000 | 6.557438 | 8.500000 | 4.1231056 | 223357.2 | 62229.47 | 29.25000 | 12.473305 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 0.7500000 | 0.2500000 |
| hong | 33.83333 | 6.369197 | 11.833333 | 4.0702170 | 248956.3 | 88839.48 | 40.00000 | 3.162278 | 2504.00000 | 6133.5223 | 329.50000 | 807.1069 | 0.5000000 | 0.6666667 |
| hungary | 40.25000 | 16.378339 | 12.000000 | 2.0000000 | 154996.8 | 46395.94 | 37.50000 | 20.615528 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 0.7500000 | 0.5000000 |
| india | 36.70968 | 12.455771 | 12.838710 | 2.0181968 | 174012.1 | 100905.60 | 39.00000 | 11.593101 | 564.09677 | 2719.8198 | 186.77419 | 588.6811 | 0.6451613 | 0.8709677 |
| iran | 33.83333 | 10.267631 | 11.666667 | 1.8257419 | 203621.2 | 103280.84 | 47.58333 | 12.295293 | 0.00000 | 0.0000 | 324.08333 | 757.2926 | 0.6666667 | 0.5833333 |
| ireland | 42.00000 | 10.941402 | 10.000000 | 1.8516402 | 134722.2 | 37972.66 | 39.37500 | 8.210403 | 0.00000 | 0.0000 | 235.87500 | 667.1552 | 0.6250000 | 0.3750000 |
| italy | 45.61905 | 12.188011 | 7.619048 | 3.3087186 | 197933.2 | 71314.53 | 35.09524 | 11.013196 | 193.52381 | 886.8375 | 0.00000 | 0.0000 | 0.8095238 | 0.7142857 |
| jamaica | 36.27273 | 9.735462 | 10.409091 | 2.2606171 | 202241.1 | 62341.11 | 44.09091 | 14.259196 | 0.00000 | 0.0000 | 85.77273 | 402.3098 | 0.9545455 | 0.5454545 |
| japan | 36.00000 | 9.439868 | 11.210526 | 2.0433890 | 258356.5 | 136604.24 | 40.52632 | 11.413289 | 0.00000 | 0.0000 | 83.68421 | 364.7710 | 0.5789474 | 0.4736842 |
| laos | 35.80000 | 8.438009 | 9.400000 | 4.3358967 | 241213.0 | 112684.66 | 40.00000 | 0.000000 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 0.8000000 | 1.0000000 |
| mexico | 33.00524 | 10.978207 | 6.225131 | 3.4863036 | 279221.0 | 101902.99 | 40.21466 | 9.153141 | 88.62304 | 613.4062 | 31.01571 | 252.4953 | 0.9581152 | 0.7801047 |
| nicaragua | 42.40000 | 17.658489 | 7.000000 | 3.3665016 | 336238.7 | 148415.41 | 33.50000 | 10.926522 | 0.00000 | 0.0000 | 184.80000 | 584.3889 | 0.9000000 | 0.8000000 |
| other | 38.14535 | 11.451746 | 10.668605 | 3.2009780 | 192488.0 | 101301.26 | 41.51744 | 12.795501 | 1327.05233 | 8237.2031 | 90.76163 | 416.5920 | 0.7441860 | 0.6860465 |
| outlying_us_guam_usvi_etc | 30.80000 | 9.497368 | 10.400000 | 1.5165751 | 170553.6 | 76642.05 | 47.00000 | 10.368221 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 1.0000000 | 0.6000000 |
| peru | 34.60000 | 11.692353 | 9.300000 | 2.2135944 | 321350.6 | 117760.79 | 41.40000 | 9.045564 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 0.8000000 | 0.6000000 |
| philippines | 38.49153 | 12.759544 | 10.423729 | 3.1469930 | 156184.6 | 89287.32 | 39.72881 | 11.714757 | 1747.49153 | 13018.0635 | 38.27119 | 293.9666 | 0.7457627 | 0.5762712 |
| poland | 44.83333 | 13.025992 | 10.388889 | 2.2528123 | 168694.6 | 34169.00 | 41.55556 | 12.439133 | 547.88889 | 1853.9043 | 108.00000 | 458.2052 | 0.8888889 | 0.6666667 |
| portugal | 40.57143 | 9.171144 | 7.785714 | 2.5169753 | 135478.4 | 72363.21 | 42.92857 | 6.018744 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 0.7857143 | 0.7857143 |
| puerto_rico | 37.45946 | 13.949501 | 8.297297 | 2.8661324 | 192640.9 | 62103.39 | 41.18919 | 11.189871 | 406.05405 | 2469.9304 | 46.51351 | 282.9307 | 0.9729730 | 0.7027027 |
| scotland | 46.40000 | 11.781341 | 9.400000 | 0.5477226 | 184372.4 | 118484.56 | 39.00000 | 2.236068 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 0.8000000 | 0.2000000 |
| south | 40.91304 | 15.468187 | 10.434783 | 2.8256309 | 177266.9 | 98909.90 | 45.17391 | 16.084018 | 196.00000 | 939.9830 | 82.04348 | 393.4667 | 0.8695652 | 0.7391304 |
| taiwan | 35.23077 | 9.782244 | 13.461538 | 2.1061570 | 166492.2 | 60433.03 | 43.38462 | 15.478687 | 169.38462 | 610.7249 | 0.00000 | 0.0000 | 0.4615385 | 0.6923077 |
| thailand | 41.66667 | 14.962174 | 11.833333 | 2.1369761 | 128222.7 | 60542.18 | 35.33333 | 13.063945 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 1.0000000 | 0.5000000 |
| trinadad_tobago | 42.83333 | 13.847984 | 8.833333 | 0.9831921 | 252680.3 | 201586.23 | 41.00000 | 14.628739 | 0.00000 | 0.0000 | 314.50000 | 770.3645 | 0.8333333 | 0.5000000 |
| united_states | 38.62587 | 13.780361 | 10.163340 | 2.4046047 | 187122.1 | 105297.49 | 40.59758 | 12.531203 | 1122.57979 | 7701.8834 | 89.35394 | 406.8905 | 0.7549903 | 0.6673891 |
| vietnam | 27.94444 | 7.392144 | 10.000000 | 2.8901455 | 183940.3 | 88913.91 | 33.38889 | 11.897300 | 379.11111 | 1182.2641 | 184.44444 | 537.5307 | 0.9444444 | 0.6666667 |
| yugoslavia | 36.20000 | 13.809417 | 10.400000 | 1.6733201 | 216934.4 | 84370.95 | 51.00000 | 7.211103 | 0.00000 | 0.0000 | 0.00000 | 0.0000 | 0.6000000 | 1.0000000 |
We could extent this by including other features as well, such as the proportions based on marital_status. However it would require a bit of work to create all the extra features. We can also include other statistics such as the inter-quartile ranges.
To select our optimal K (clusters) we will use the elbow method, however there are multiple methods to do this, refer to the appendix for a few more plots and a link to more information.
set.seed(123)
factoextra::fviz_nbclust(clustPrep, kmeans, method = "wss") +
geom_vline(xintercept = 3, linetype = 2)I choose 8 clusters due to the output of the countries clusters making more sense than 3 clusters which the elbow originally suggests. You can test more or less clusters and see how our final model performs as well.
Here you can see the output of the kmeans function:
# Build clusters with selected k
clusters <- stats::kmeans(clustPrep, centers = 8)
# Look at the output of kmeans
str(clusters)List of 9
$ cluster : Named int [1:41] 7 7 2 1 8 1 1 4 2 7 ...
..- attr(*, "names")= chr [1:41] "cambodia" "canada" "china" "columbia" ...
$ centers : num [1:8, 1:14] 38.2 37 42.1 34.3 36.9 ...
..- attr(*, "dimnames")=List of 2
.. ..$ : chr [1:8] "1" "2" "3" "4" ...
.. ..$ : chr [1:14] "meanAge" "sdAge" "meanEdu" "sdEdu" ...
$ totss : num 140012693218
$ withinss : num [1:8] 555989238 1478517549 3183370728 1391632132 2766931177 ...
$ tot.withinss: num 14514215119
$ betweenss : num 125498478099
$ size : int [1:8] 7 8 7 4 3 2 7 3
$ iter : int 3
$ ifault : int 0
- attr(*, "class")= chr "kmeans"
We can join our clusters back to the corresponding country data that we reserved earlier on:
# Extract clusters and join back to finClust which holds country data
finClust$cluster <- clusters$cluster
# View of Countries with corresponding cluster
head(finClust) native_country cluster
1 cambodia 7
2 canada 7
3 china 2
4 columbia 1
5 cuba 8
6 dominican_republic 1
We can also take a glance some information about each Cluster, the mean Age of each Cluster etc. to give you an idea what each cluster looks like.
# Join back original variables for analysis
clustPrep$clusters <- clusters$cluster
rownames(clustPrep) <- NULL
# Summary analysis
clustPrep %>%
group_by(clusters) %>%
summarise_all(.funs = mean) %>%
kable() %>%
kable_styling()| clusters | meanAge | sdAge | meanEdu | sdEdu | meanWgt | sdWgt | meanhours | sdhours | meanCapGain | sdCapGain | meanCapLoss | sdCapLoss | incomePropLT50 | sexMaleProp |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 38.21872 | 11.321781 | 8.718626 | 2.989521 | 195969.2 | 61255.90 | 40.06883 | 11.025853 | 85.65398 | 479.5383 | 33.04089 | 152.6665 | 0.9281809 | 0.6172571 |
| 2 | 36.97463 | 12.043613 | 10.666521 | 2.718986 | 171894.1 | 90867.09 | 40.42142 | 12.095720 | 1162.05148 | 5526.0002 | 86.08452 | 332.3741 | 0.8040325 | 0.6953566 |
| 3 | 42.09317 | 12.549430 | 10.681354 | 2.432747 | 146222.6 | 48963.53 | 40.13958 | 14.660547 | 165.12479 | 550.2292 | 107.16786 | 285.8266 | 0.7301631 | 0.6313841 |
| 4 | 34.32900 | 9.798832 | 8.679132 | 3.865124 | 253673.3 | 104962.57 | 39.00528 | 5.302234 | 958.52673 | 2796.9295 | 90.12893 | 264.9005 | 0.7822707 | 0.7729832 |
| 5 | 36.90741 | 10.804566 | 9.384990 | 1.878756 | 255414.1 | 158774.73 | 40.58285 | 11.913586 | 0.00000 | 0.0000 | 132.72807 | 378.3785 | 0.7855750 | 0.5653021 |
| 6 | 38.50000 | 14.675421 | 8.150000 | 2.790048 | 328794.7 | 133088.10 | 37.45000 | 9.986043 | 0.00000 | 0.0000 | 92.40000 | 292.1945 | 0.8500000 | 0.7000000 |
| 7 | 40.13852 | 12.615719 | 10.477472 | 2.377280 | 188217.9 | 113665.83 | 42.31984 | 10.834412 | 945.19069 | 4669.3281 | 126.98208 | 391.2159 | 0.6854357 | 0.5922540 |
| 8 | 38.61429 | 10.972709 | 9.264286 | 2.947818 | 229176.1 | 72900.16 | 40.51190 | 9.723561 | 0.00000 | 0.0000 | 46.46429 | 170.6626 | 0.7000000 | 0.6547619 |
Modeling
First I join our newly made clusters onto our modeling dataset so we can use it. I also convert the income variable into a factor, giving it a new clean name.
# Join clusters onto Modeling Data
modDF <- modDF %>%
left_join(finClust, by = c("native_country" = "native_country")) %>%
mutate(income = ifelse(income == ">50K", "high", "low") %>% as.factor())I create some key variables, target and our features for our model.
Going forward you will see in the variables we refer to ..Orig and ..Clust. Orig being our data preclustering, with the full country information and Clust being our clustered data.
# Key variables -----------------------------------------------------------
target <- "income"
featOrig <- c("age", "workclass", "fnlwgt", "education", "education_num", "marital_status",
"occupation", "relationship", "race", "sex", "capital_gain", "capital_loss",
"hours_per_week", "native_country")
featClust <- c("age", "workclass", "fnlwgt", "education", "education_num", "marital_status",
"occupation", "relationship", "race", "sex", "capital_gain", "capital_loss",
"hours_per_week", "cluster")In the next step we spilt the data into a training and test dataset. We use a 80/20 split.
# Split data into 80 train and 20 test
set.seed(123)
splitIndex <- caret::createDataPartition(modDF[, income],
p = 0.8,
list = FALSE,
times = 1)
train <- modDF[splitIndex, ] %>% as.tibble()
trainTarg <- train[[target]]
train[[target]] <- NULL
test <- modDF[-splitIndex, ] %>% as.tibble()
testTarg <- test[[target]]
test[[target]] <- NULLPrepare the data for use in modeling, dummify character variables
# Train -------------------------------------------------------------------
trainOrig <- train[, c(featOrig)]
trainClust <- train[, c(featClust)]
# Dummify variables for train set
trainOrigDummy <- trainOrig %>% dummyVars(formula = "~.", fullRank = F)
trainOrig <- predict(trainOrigDummy, trainOrig) %>% as.data.frame()
trainOrig[[target]] <- trainTarg
trainClustDummy <- trainClust %>% dummyVars(formula = "~.", fullRank = F)
trainClust <- predict(trainClustDummy, trainClust) %>% as.data.frame()
trainClust[[target]] <- trainTarg
# Test --------------------------------------------------------------------
testOrig <- test[, c(featOrig)]
testClust <- test[, c(featClust)]
# Dummify variables for test set
testOrigDummy <- testOrig %>% dummyVars(formula = "~.", fullRank = F)
testOrig <- predict(testOrigDummy, testOrig) %>% as.data.frame()
testOrig[[target]] <- testTarg
testClustDummy <- testClust %>% dummyVars(formula = "~.", fullRank = F)
testClust <- predict(testClustDummy, testClust) %>% as.data.frame()
testClust[[target]] <- testTargIn this section we define global parameters for both the models
# Setting Parameters ------------------------------------------------------
objControl <- trainControl(method = 'cv',
number = 3,
summaryFunction = twoClassSummary,
classProbs = TRUE)
set.seed(123)
gbmGrid <- data.frame(interaction.depth = runif(100, 1 , 5) %>% round(0),
n.trees = runif(100, 50, 1000) %>% round(0),
n.minobsinnode = runif(100, 1, 100) %>% round(0),
shrinkage = runif(100, 0.01, 0.2) %>% round(4)) %>%
distinct()Build our model using the original dataset with Countries
# Build model using countries ---------------------------------------------
formFeats <- names(trainOrig)[names(trainOrig) != target]
modFormula <- formula(paste0(target, " ~ ", paste0(formFeats, collapse = " + ")))
set.seed(123)
trainOrigObjModel <- caret::train(modFormula,
data = trainOrig,
distribution = "bernoulli",
method = "gbm",
metric = "ROC",
trControl = objControl,
tuneGrid = gbmGrid)Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0917 nan 0.0116 0.0043
2 1.0836 nan 0.0116 0.0041
3 1.0756 nan 0.0116 0.0040
4 1.0676 nan 0.0116 0.0039
5 1.0601 nan 0.0116 0.0038
6 1.0528 nan 0.0116 0.0037
7 1.0457 nan 0.0116 0.0036
8 1.0388 nan 0.0116 0.0034
9 1.0322 nan 0.0116 0.0033
10 1.0257 nan 0.0116 0.0032
20 0.9688 nan 0.0116 0.0025
40 0.8878 nan 0.0116 0.0016
60 0.8323 nan 0.0116 0.0011
80 0.7919 nan 0.0116 0.0009
100 0.7596 nan 0.0116 0.0007
120 0.7340 nan 0.0116 0.0006
140 0.7144 nan 0.0116 0.0004
160 0.6976 nan 0.0116 0.0003
180 0.6843 nan 0.0116 0.0003
200 0.6726 nan 0.0116 0.0002
220 0.6624 nan 0.0116 0.0002
240 0.6540 nan 0.0116 0.0002
260 0.6471 nan 0.0116 0.0002
280 0.6408 nan 0.0116 0.0001
300 0.6352 nan 0.0116 0.0001
320 0.6300 nan 0.0116 0.0001
340 0.6256 nan 0.0116 0.0001
360 0.6215 nan 0.0116 0.0001
380 0.6179 nan 0.0116 0.0000
400 0.6147 nan 0.0116 0.0000
420 0.6116 nan 0.0116 0.0001
440 0.6087 nan 0.0116 0.0000
460 0.6061 nan 0.0116 0.0000
480 0.6036 nan 0.0116 0.0000
500 0.6013 nan 0.0116 0.0000
520 0.5991 nan 0.0116 0.0001
540 0.5969 nan 0.0116 0.0000
560 0.5949 nan 0.0116 0.0000
580 0.5932 nan 0.0116 0.0000
600 0.5916 nan 0.0116 0.0000
620 0.5898 nan 0.0116 0.0001
628 0.5891 nan 0.0116 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0923 nan 0.0118 0.0041
2 1.0843 nan 0.0118 0.0040
3 1.0766 nan 0.0118 0.0039
4 1.0690 nan 0.0118 0.0038
5 1.0618 nan 0.0118 0.0038
6 1.0547 nan 0.0118 0.0035
7 1.0475 nan 0.0118 0.0036
8 1.0407 nan 0.0118 0.0034
9 1.0342 nan 0.0118 0.0032
10 1.0278 nan 0.0118 0.0032
20 0.9727 nan 0.0118 0.0024
40 0.8939 nan 0.0118 0.0016
60 0.8410 nan 0.0118 0.0011
80 0.8006 nan 0.0118 0.0007
100 0.7682 nan 0.0118 0.0008
120 0.7441 nan 0.0118 0.0006
140 0.7239 nan 0.0118 0.0005
160 0.7074 nan 0.0118 0.0004
180 0.6936 nan 0.0118 0.0003
200 0.6824 nan 0.0118 0.0002
220 0.6727 nan 0.0118 0.0002
240 0.6642 nan 0.0118 0.0002
260 0.6571 nan 0.0118 0.0001
280 0.6507 nan 0.0118 0.0002
300 0.6452 nan 0.0118 0.0001
320 0.6405 nan 0.0118 0.0001
340 0.6363 nan 0.0118 0.0001
360 0.6325 nan 0.0118 0.0001
366 0.6315 nan 0.0118 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0907 nan 0.0134 0.0047
2 1.0816 nan 0.0134 0.0046
3 1.0730 nan 0.0134 0.0043
4 1.0645 nan 0.0134 0.0042
5 1.0562 nan 0.0134 0.0042
6 1.0481 nan 0.0134 0.0040
7 1.0404 nan 0.0134 0.0038
8 1.0331 nan 0.0134 0.0037
9 1.0260 nan 0.0134 0.0035
10 1.0190 nan 0.0134 0.0035
20 0.9593 nan 0.0134 0.0026
40 0.8768 nan 0.0134 0.0016
60 0.8223 nan 0.0134 0.0011
80 0.7819 nan 0.0134 0.0008
100 0.7501 nan 0.0134 0.0007
120 0.7266 nan 0.0134 0.0004
140 0.7077 nan 0.0134 0.0003
160 0.6918 nan 0.0134 0.0004
180 0.6791 nan 0.0134 0.0002
200 0.6684 nan 0.0134 0.0002
220 0.6593 nan 0.0134 0.0002
240 0.6520 nan 0.0134 0.0002
260 0.6455 nan 0.0134 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0889 nan 0.0164 0.0056
2 1.0777 nan 0.0164 0.0055
3 1.0671 nan 0.0164 0.0053
4 1.0569 nan 0.0164 0.0050
5 1.0474 nan 0.0164 0.0049
6 1.0381 nan 0.0164 0.0046
7 1.0290 nan 0.0164 0.0044
8 1.0203 nan 0.0164 0.0043
9 1.0120 nan 0.0164 0.0041
10 1.0040 nan 0.0164 0.0040
20 0.9372 nan 0.0164 0.0029
40 0.8499 nan 0.0164 0.0016
60 0.7942 nan 0.0164 0.0013
80 0.7545 nan 0.0164 0.0008
100 0.7247 nan 0.0164 0.0005
120 0.7022 nan 0.0164 0.0003
140 0.6848 nan 0.0164 0.0003
160 0.6711 nan 0.0164 0.0003
180 0.6600 nan 0.0164 0.0002
200 0.6508 nan 0.0164 0.0002
220 0.6432 nan 0.0164 0.0002
240 0.6370 nan 0.0164 0.0001
260 0.6315 nan 0.0164 0.0001
280 0.6262 nan 0.0164 0.0001
300 0.6219 nan 0.0164 0.0001
320 0.6174 nan 0.0164 0.0001
340 0.6136 nan 0.0164 0.0001
360 0.6103 nan 0.0164 0.0000
380 0.6074 nan 0.0164 0.0000
400 0.6046 nan 0.0164 0.0000
420 0.6023 nan 0.0164 0.0000
440 0.6002 nan 0.0164 0.0000
460 0.5981 nan 0.0164 0.0000
480 0.5960 nan 0.0164 0.0000
500 0.5941 nan 0.0164 0.0000
520 0.5925 nan 0.0164 0.0000
540 0.5911 nan 0.0164 0.0000
560 0.5898 nan 0.0164 -0.0000
580 0.5886 nan 0.0164 0.0000
600 0.5872 nan 0.0164 -0.0000
620 0.5859 nan 0.0164 0.0000
640 0.5844 nan 0.0164 0.0000
660 0.5833 nan 0.0164 -0.0000
680 0.5822 nan 0.0164 -0.0000
700 0.5810 nan 0.0164 0.0000
720 0.5801 nan 0.0164 -0.0000
740 0.5789 nan 0.0164 -0.0000
760 0.5780 nan 0.0164 -0.0000
780 0.5772 nan 0.0164 -0.0000
800 0.5762 nan 0.0164 -0.0000
820 0.5752 nan 0.0164 -0.0000
840 0.5742 nan 0.0164 0.0000
860 0.5735 nan 0.0164 0.0000
880 0.5727 nan 0.0164 0.0000
900 0.5719 nan 0.0164 -0.0000
920 0.5711 nan 0.0164 -0.0000
940 0.5704 nan 0.0164 -0.0000
960 0.5696 nan 0.0164 -0.0000
980 0.5688 nan 0.0164 -0.0000
985 0.5686 nan 0.0164 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0899 nan 0.0166 0.0053
2 1.0798 nan 0.0166 0.0050
3 1.0703 nan 0.0166 0.0048
4 1.0611 nan 0.0166 0.0046
5 1.0522 nan 0.0166 0.0045
6 1.0435 nan 0.0166 0.0043
7 1.0353 nan 0.0166 0.0042
8 1.0274 nan 0.0166 0.0040
9 1.0194 nan 0.0166 0.0040
10 1.0116 nan 0.0166 0.0038
20 0.9476 nan 0.0166 0.0028
40 0.8599 nan 0.0166 0.0016
60 0.8050 nan 0.0166 0.0010
80 0.7673 nan 0.0166 0.0007
100 0.7396 nan 0.0166 0.0006
120 0.7178 nan 0.0166 0.0006
136 0.7036 nan 0.0166 0.0004
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0873 nan 0.0205 0.0066
2 1.0749 nan 0.0205 0.0062
3 1.0633 nan 0.0205 0.0058
4 1.0523 nan 0.0205 0.0055
5 1.0415 nan 0.0205 0.0054
6 1.0313 nan 0.0205 0.0051
7 1.0216 nan 0.0205 0.0049
8 1.0123 nan 0.0205 0.0046
9 1.0033 nan 0.0205 0.0046
10 0.9946 nan 0.0205 0.0043
20 0.9232 nan 0.0205 0.0030
40 0.8305 nan 0.0205 0.0018
60 0.7766 nan 0.0205 0.0009
80 0.7407 nan 0.0205 0.0007
100 0.7135 nan 0.0205 0.0005
120 0.6937 nan 0.0205 0.0005
140 0.6783 nan 0.0205 0.0003
160 0.6655 nan 0.0205 0.0003
180 0.6557 nan 0.0205 0.0001
200 0.6475 nan 0.0205 0.0002
220 0.6414 nan 0.0205 0.0001
240 0.6360 nan 0.0205 0.0001
260 0.6311 nan 0.0205 0.0001
280 0.6271 nan 0.0205 0.0000
300 0.6236 nan 0.0205 0.0000
320 0.6201 nan 0.0205 0.0001
340 0.6174 nan 0.0205 0.0000
360 0.6144 nan 0.0205 0.0000
380 0.6119 nan 0.0205 0.0000
400 0.6096 nan 0.0205 0.0000
420 0.6074 nan 0.0205 0.0000
440 0.6052 nan 0.0205 0.0001
460 0.6033 nan 0.0205 0.0000
480 0.6016 nan 0.0205 0.0000
500 0.6000 nan 0.0205 0.0001
520 0.5986 nan 0.0205 0.0000
540 0.5971 nan 0.0205 0.0000
560 0.5959 nan 0.0205 -0.0000
580 0.5947 nan 0.0205 0.0000
600 0.5935 nan 0.0205 0.0000
620 0.5922 nan 0.0205 -0.0000
640 0.5911 nan 0.0205 -0.0000
660 0.5900 nan 0.0205 0.0000
680 0.5888 nan 0.0205 0.0000
700 0.5878 nan 0.0205 0.0000
720 0.5870 nan 0.0205 -0.0000
740 0.5860 nan 0.0205 -0.0000
760 0.5849 nan 0.0205 0.0000
780 0.5842 nan 0.0205 -0.0000
800 0.5833 nan 0.0205 -0.0000
820 0.5824 nan 0.0205 -0.0000
840 0.5816 nan 0.0205 0.0000
860 0.5809 nan 0.0205 -0.0000
880 0.5802 nan 0.0205 -0.0000
900 0.5795 nan 0.0205 -0.0000
920 0.5787 nan 0.0205 -0.0000
940 0.5781 nan 0.0205 -0.0000
950 0.5778 nan 0.0205 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0806 nan 0.0280 0.0101
2 1.0618 nan 0.0280 0.0095
3 1.0439 nan 0.0280 0.0087
4 1.0276 nan 0.0280 0.0082
5 1.0125 nan 0.0280 0.0075
6 0.9981 nan 0.0280 0.0070
7 0.9845 nan 0.0280 0.0067
8 0.9720 nan 0.0280 0.0064
9 0.9599 nan 0.0280 0.0061
10 0.9484 nan 0.0280 0.0057
20 0.8620 nan 0.0280 0.0035
40 0.7656 nan 0.0280 0.0017
60 0.7101 nan 0.0280 0.0009
80 0.6758 nan 0.0280 0.0006
100 0.6537 nan 0.0280 0.0005
120 0.6380 nan 0.0280 0.0005
140 0.6266 nan 0.0280 0.0002
160 0.6165 nan 0.0280 0.0004
180 0.6089 nan 0.0280 0.0001
200 0.6027 nan 0.0280 0.0001
220 0.5978 nan 0.0280 0.0000
240 0.5932 nan 0.0280 0.0002
260 0.5894 nan 0.0280 -0.0000
280 0.5856 nan 0.0280 0.0000
300 0.5822 nan 0.0280 0.0000
320 0.5792 nan 0.0280 0.0000
340 0.5765 nan 0.0280 0.0000
360 0.5744 nan 0.0280 0.0000
380 0.5724 nan 0.0280 -0.0000
400 0.5701 nan 0.0280 0.0000
420 0.5684 nan 0.0280 -0.0000
440 0.5667 nan 0.0280 0.0000
460 0.5645 nan 0.0280 0.0001
480 0.5630 nan 0.0280 0.0000
500 0.5615 nan 0.0280 -0.0000
520 0.5599 nan 0.0280 -0.0000
540 0.5582 nan 0.0280 -0.0000
560 0.5568 nan 0.0280 -0.0000
580 0.5553 nan 0.0280 -0.0000
600 0.5539 nan 0.0280 -0.0000
620 0.5524 nan 0.0280 -0.0000
640 0.5505 nan 0.0280 -0.0000
660 0.5491 nan 0.0280 0.0000
680 0.5478 nan 0.0280 -0.0000
700 0.5463 nan 0.0280 0.0000
720 0.5450 nan 0.0280 -0.0000
740 0.5437 nan 0.0280 -0.0000
760 0.5426 nan 0.0280 -0.0000
780 0.5415 nan 0.0280 -0.0000
800 0.5403 nan 0.0280 -0.0000
820 0.5390 nan 0.0280 -0.0000
840 0.5379 nan 0.0280 0.0000
860 0.5369 nan 0.0280 -0.0000
880 0.5357 nan 0.0280 -0.0000
900 0.5348 nan 0.0280 -0.0000
918 0.5340 nan 0.0280 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0889 nan 0.0292 0.0058
2 1.0779 nan 0.0292 0.0055
3 1.0676 nan 0.0292 0.0051
4 1.0582 nan 0.0292 0.0048
5 1.0489 nan 0.0292 0.0045
6 1.0403 nan 0.0292 0.0043
7 1.0320 nan 0.0292 0.0040
8 1.0244 nan 0.0292 0.0038
9 1.0176 nan 0.0292 0.0034
10 1.0102 nan 0.0292 0.0036
20 0.9546 nan 0.0292 0.0026
40 0.8784 nan 0.0292 0.0015
60 0.8299 nan 0.0292 0.0010
80 0.7953 nan 0.0292 0.0006
100 0.7691 nan 0.0292 0.0007
120 0.7482 nan 0.0292 0.0005
140 0.7313 nan 0.0292 0.0002
160 0.7170 nan 0.0292 0.0004
180 0.7043 nan 0.0292 0.0003
200 0.6941 nan 0.0292 0.0002
220 0.6850 nan 0.0292 0.0003
240 0.6778 nan 0.0292 0.0002
260 0.6712 nan 0.0292 0.0001
280 0.6654 nan 0.0292 0.0001
300 0.6605 nan 0.0292 0.0001
320 0.6553 nan 0.0292 0.0001
340 0.6514 nan 0.0292 0.0001
360 0.6480 nan 0.0292 0.0000
380 0.6450 nan 0.0292 0.0000
400 0.6421 nan 0.0292 0.0001
420 0.6393 nan 0.0292 0.0000
440 0.6371 nan 0.0292 0.0000
460 0.6351 nan 0.0292 0.0000
480 0.6331 nan 0.0292 0.0000
500 0.6315 nan 0.0292 0.0000
520 0.6298 nan 0.0292 0.0000
540 0.6280 nan 0.0292 0.0001
560 0.6264 nan 0.0292 -0.0000
580 0.6250 nan 0.0292 0.0000
600 0.6238 nan 0.0292 -0.0000
620 0.6225 nan 0.0292 0.0000
640 0.6212 nan 0.0292 0.0000
660 0.6200 nan 0.0292 -0.0000
676 0.6191 nan 0.0292 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0796 nan 0.0297 0.0103
2 1.0602 nan 0.0297 0.0095
3 1.0426 nan 0.0297 0.0089
4 1.0263 nan 0.0297 0.0083
5 1.0112 nan 0.0297 0.0075
6 0.9971 nan 0.0297 0.0070
7 0.9836 nan 0.0297 0.0068
8 0.9711 nan 0.0297 0.0062
9 0.9593 nan 0.0297 0.0060
10 0.9482 nan 0.0297 0.0056
20 0.8628 nan 0.0297 0.0033
40 0.7661 nan 0.0297 0.0014
60 0.7126 nan 0.0297 0.0010
80 0.6814 nan 0.0297 0.0004
100 0.6598 nan 0.0297 0.0004
120 0.6441 nan 0.0297 0.0002
140 0.6326 nan 0.0297 0.0002
160 0.6233 nan 0.0297 0.0001
180 0.6155 nan 0.0297 0.0001
200 0.6093 nan 0.0297 0.0001
220 0.6045 nan 0.0297 0.0000
240 0.6000 nan 0.0297 0.0001
260 0.5971 nan 0.0297 0.0000
280 0.5935 nan 0.0297 0.0000
300 0.5902 nan 0.0297 0.0000
320 0.5875 nan 0.0297 0.0000
340 0.5851 nan 0.0297 0.0001
360 0.5823 nan 0.0297 0.0001
380 0.5803 nan 0.0297 0.0001
400 0.5782 nan 0.0297 -0.0000
401 0.5781 nan 0.0297 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0837 nan 0.0300 0.0082
2 1.0682 nan 0.0300 0.0077
3 1.0540 nan 0.0300 0.0071
4 1.0410 nan 0.0300 0.0065
5 1.0288 nan 0.0300 0.0061
6 1.0170 nan 0.0300 0.0057
7 1.0058 nan 0.0300 0.0055
8 0.9953 nan 0.0300 0.0051
9 0.9856 nan 0.0300 0.0048
10 0.9762 nan 0.0300 0.0046
20 0.8937 nan 0.0300 0.0029
40 0.8080 nan 0.0300 0.0015
60 0.7579 nan 0.0300 0.0010
80 0.7254 nan 0.0300 0.0008
100 0.7010 nan 0.0300 0.0004
120 0.6829 nan 0.0300 0.0004
140 0.6686 nan 0.0300 0.0002
160 0.6585 nan 0.0300 0.0002
180 0.6499 nan 0.0300 0.0003
200 0.6428 nan 0.0300 0.0001
220 0.6372 nan 0.0300 0.0001
240 0.6328 nan 0.0300 0.0000
260 0.6286 nan 0.0300 0.0000
280 0.6252 nan 0.0300 0.0000
300 0.6219 nan 0.0300 0.0000
320 0.6196 nan 0.0300 0.0000
340 0.6172 nan 0.0300 0.0000
360 0.6147 nan 0.0300 0.0001
380 0.6123 nan 0.0300 0.0000
400 0.6104 nan 0.0300 0.0000
420 0.6086 nan 0.0300 0.0000
440 0.6066 nan 0.0300 0.0000
460 0.6050 nan 0.0300 -0.0000
480 0.6035 nan 0.0300 0.0000
500 0.6020 nan 0.0300 0.0000
520 0.6006 nan 0.0300 0.0000
540 0.5994 nan 0.0300 0.0000
560 0.5980 nan 0.0300 0.0000
580 0.5966 nan 0.0300 -0.0000
600 0.5956 nan 0.0300 0.0000
620 0.5944 nan 0.0300 0.0000
640 0.5936 nan 0.0300 0.0000
660 0.5926 nan 0.0300 -0.0000
680 0.5918 nan 0.0300 0.0000
700 0.5909 nan 0.0300 -0.0000
720 0.5900 nan 0.0300 -0.0000
740 0.5891 nan 0.0300 0.0000
760 0.5883 nan 0.0300 -0.0000
780 0.5876 nan 0.0300 -0.0000
800 0.5868 nan 0.0300 -0.0000
820 0.5860 nan 0.0300 -0.0000
840 0.5853 nan 0.0300 -0.0000
860 0.5844 nan 0.0300 -0.0000
880 0.5838 nan 0.0300 -0.0000
900 0.5833 nan 0.0300 -0.0000
920 0.5827 nan 0.0300 -0.0000
940 0.5822 nan 0.0300 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0798 nan 0.0324 0.0101
2 1.0609 nan 0.0324 0.0091
3 1.0435 nan 0.0324 0.0087
4 1.0276 nan 0.0324 0.0080
5 1.0131 nan 0.0324 0.0073
6 0.9983 nan 0.0324 0.0071
7 0.9848 nan 0.0324 0.0065
8 0.9718 nan 0.0324 0.0062
9 0.9599 nan 0.0324 0.0059
10 0.9488 nan 0.0324 0.0056
20 0.8634 nan 0.0324 0.0031
40 0.7692 nan 0.0324 0.0015
60 0.7179 nan 0.0324 0.0009
80 0.6866 nan 0.0324 0.0006
100 0.6644 nan 0.0324 0.0004
120 0.6502 nan 0.0324 0.0003
140 0.6392 nan 0.0324 0.0003
160 0.6306 nan 0.0324 0.0002
180 0.6240 nan 0.0324 0.0001
195 0.6197 nan 0.0324 0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0797 nan 0.0327 0.0102
2 1.0606 nan 0.0327 0.0094
3 1.0428 nan 0.0327 0.0089
4 1.0261 nan 0.0327 0.0082
5 1.0112 nan 0.0327 0.0076
6 0.9967 nan 0.0327 0.0072
7 0.9832 nan 0.0327 0.0067
8 0.9705 nan 0.0327 0.0064
9 0.9588 nan 0.0327 0.0059
10 0.9474 nan 0.0327 0.0056
20 0.8599 nan 0.0327 0.0037
40 0.7687 nan 0.0327 0.0015
60 0.7199 nan 0.0327 0.0009
80 0.6875 nan 0.0327 0.0006
100 0.6650 nan 0.0327 0.0004
120 0.6504 nan 0.0327 0.0002
140 0.6398 nan 0.0327 0.0002
160 0.6320 nan 0.0327 0.0002
180 0.6254 nan 0.0327 0.0002
200 0.6202 nan 0.0327 0.0001
220 0.6154 nan 0.0327 0.0001
240 0.6108 nan 0.0327 0.0001
260 0.6072 nan 0.0327 0.0001
280 0.6044 nan 0.0327 0.0001
300 0.6018 nan 0.0327 0.0000
320 0.5991 nan 0.0327 0.0000
340 0.5969 nan 0.0327 0.0000
360 0.5943 nan 0.0327 0.0000
380 0.5924 nan 0.0327 0.0001
400 0.5904 nan 0.0327 -0.0000
420 0.5889 nan 0.0327 0.0000
439 0.5874 nan 0.0327 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0868 nan 0.0359 0.0071
2 1.0732 nan 0.0359 0.0066
3 1.0614 nan 0.0359 0.0061
4 1.0500 nan 0.0359 0.0057
5 1.0395 nan 0.0359 0.0053
6 1.0297 nan 0.0359 0.0049
7 1.0211 nan 0.0359 0.0042
8 1.0120 nan 0.0359 0.0045
9 1.0036 nan 0.0359 0.0042
10 0.9962 nan 0.0359 0.0035
20 0.9340 nan 0.0359 0.0023
40 0.8536 nan 0.0359 0.0018
60 0.8052 nan 0.0359 0.0011
80 0.7711 nan 0.0359 0.0006
100 0.7463 nan 0.0359 0.0004
120 0.7252 nan 0.0359 0.0005
140 0.7097 nan 0.0359 0.0002
160 0.6960 nan 0.0359 0.0004
180 0.6855 nan 0.0359 0.0003
200 0.6757 nan 0.0359 0.0002
220 0.6675 nan 0.0359 0.0002
240 0.6611 nan 0.0359 0.0001
260 0.6557 nan 0.0359 0.0001
280 0.6509 nan 0.0359 0.0001
300 0.6465 nan 0.0359 0.0001
320 0.6430 nan 0.0359 0.0000
340 0.6401 nan 0.0359 0.0001
360 0.6372 nan 0.0359 0.0000
380 0.6347 nan 0.0359 0.0000
400 0.6321 nan 0.0359 0.0000
420 0.6296 nan 0.0359 0.0000
440 0.6275 nan 0.0359 0.0001
460 0.6258 nan 0.0359 0.0000
480 0.6244 nan 0.0359 0.0000
500 0.6225 nan 0.0359 0.0001
520 0.6209 nan 0.0359 0.0000
540 0.6195 nan 0.0359 0.0000
560 0.6181 nan 0.0359 0.0000
580 0.6167 nan 0.0359 0.0000
600 0.6154 nan 0.0359 -0.0000
620 0.6141 nan 0.0359 0.0000
640 0.6130 nan 0.0359 0.0000
660 0.6120 nan 0.0359 0.0000
680 0.6110 nan 0.0359 -0.0000
700 0.6100 nan 0.0359 0.0000
720 0.6091 nan 0.0359 0.0000
740 0.6080 nan 0.0359 0.0000
760 0.6071 nan 0.0359 0.0000
780 0.6064 nan 0.0359 -0.0000
800 0.6056 nan 0.0359 0.0000
820 0.6048 nan 0.0359 0.0000
840 0.6041 nan 0.0359 -0.0000
855 0.6036 nan 0.0359 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0746 nan 0.0373 0.0127
2 1.0510 nan 0.0373 0.0116
3 1.0296 nan 0.0373 0.0106
4 1.0100 nan 0.0373 0.0097
5 0.9923 nan 0.0373 0.0089
6 0.9756 nan 0.0373 0.0085
7 0.9597 nan 0.0373 0.0079
8 0.9454 nan 0.0373 0.0070
9 0.9327 nan 0.0373 0.0065
10 0.9205 nan 0.0373 0.0061
20 0.8323 nan 0.0373 0.0031
40 0.7373 nan 0.0373 0.0014
60 0.6875 nan 0.0373 0.0008
80 0.6582 nan 0.0373 0.0005
100 0.6412 nan 0.0373 0.0003
120 0.6293 nan 0.0373 0.0001
140 0.6203 nan 0.0373 0.0001
160 0.6135 nan 0.0373 0.0001
180 0.6083 nan 0.0373 0.0001
200 0.6038 nan 0.0373 0.0000
220 0.6000 nan 0.0373 0.0000
240 0.5963 nan 0.0373 0.0000
260 0.5932 nan 0.0373 0.0001
280 0.5903 nan 0.0373 0.0000
300 0.5879 nan 0.0373 0.0000
320 0.5859 nan 0.0373 -0.0000
340 0.5840 nan 0.0373 0.0000
360 0.5821 nan 0.0373 -0.0000
380 0.5803 nan 0.0373 -0.0000
400 0.5786 nan 0.0373 -0.0000
420 0.5771 nan 0.0373 -0.0000
440 0.5757 nan 0.0373 -0.0000
460 0.5744 nan 0.0373 0.0000
480 0.5732 nan 0.0373 -0.0000
500 0.5718 nan 0.0373 -0.0000
520 0.5704 nan 0.0373 0.0000
527 0.5701 nan 0.0373 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0740 nan 0.0379 0.0131
2 1.0503 nan 0.0379 0.0120
3 1.0288 nan 0.0379 0.0108
4 1.0092 nan 0.0379 0.0099
5 0.9913 nan 0.0379 0.0090
6 0.9747 nan 0.0379 0.0083
7 0.9593 nan 0.0379 0.0077
8 0.9446 nan 0.0379 0.0073
9 0.9316 nan 0.0379 0.0065
10 0.9187 nan 0.0379 0.0064
20 0.8296 nan 0.0379 0.0034
40 0.7336 nan 0.0379 0.0018
60 0.6854 nan 0.0379 0.0011
80 0.6579 nan 0.0379 0.0003
100 0.6399 nan 0.0379 0.0002
120 0.6286 nan 0.0379 0.0002
140 0.6193 nan 0.0379 0.0003
160 0.6123 nan 0.0379 0.0001
180 0.6060 nan 0.0379 0.0001
200 0.6013 nan 0.0379 0.0000
220 0.5973 nan 0.0379 0.0001
240 0.5934 nan 0.0379 0.0000
260 0.5902 nan 0.0379 0.0001
280 0.5876 nan 0.0379 0.0000
300 0.5851 nan 0.0379 0.0000
320 0.5826 nan 0.0379 0.0001
340 0.5809 nan 0.0379 0.0000
342 0.5806 nan 0.0379 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0752 nan 0.0398 0.0124
2 1.0524 nan 0.0398 0.0113
3 1.0317 nan 0.0398 0.0102
4 1.0125 nan 0.0398 0.0097
5 0.9954 nan 0.0398 0.0086
6 0.9792 nan 0.0398 0.0081
7 0.9637 nan 0.0398 0.0074
8 0.9501 nan 0.0398 0.0067
9 0.9367 nan 0.0398 0.0065
10 0.9246 nan 0.0398 0.0061
20 0.8329 nan 0.0398 0.0038
40 0.7442 nan 0.0398 0.0015
60 0.6974 nan 0.0398 0.0008
80 0.6683 nan 0.0398 0.0006
100 0.6495 nan 0.0398 0.0004
120 0.6364 nan 0.0398 0.0002
140 0.6272 nan 0.0398 0.0002
160 0.6192 nan 0.0398 0.0001
180 0.6132 nan 0.0398 0.0002
200 0.6084 nan 0.0398 0.0001
220 0.6040 nan 0.0398 -0.0000
240 0.6001 nan 0.0398 0.0000
260 0.5970 nan 0.0398 0.0000
280 0.5934 nan 0.0398 0.0002
300 0.5909 nan 0.0398 0.0000
320 0.5885 nan 0.0398 0.0000
340 0.5864 nan 0.0398 0.0001
360 0.5842 nan 0.0398 -0.0000
380 0.5824 nan 0.0398 -0.0001
400 0.5809 nan 0.0398 0.0000
420 0.5788 nan 0.0398 0.0000
440 0.5773 nan 0.0398 -0.0000
460 0.5758 nan 0.0398 -0.0000
480 0.5742 nan 0.0398 -0.0000
500 0.5729 nan 0.0398 -0.0000
520 0.5716 nan 0.0398 -0.0000
540 0.5701 nan 0.0398 -0.0000
560 0.5689 nan 0.0398 -0.0000
580 0.5676 nan 0.0398 -0.0000
600 0.5663 nan 0.0398 -0.0000
620 0.5649 nan 0.0398 0.0001
640 0.5639 nan 0.0398 -0.0000
660 0.5628 nan 0.0398 -0.0000
680 0.5619 nan 0.0398 -0.0000
700 0.5612 nan 0.0398 -0.0000
720 0.5604 nan 0.0398 -0.0000
740 0.5594 nan 0.0398 0.0001
760 0.5582 nan 0.0398 -0.0000
780 0.5573 nan 0.0398 -0.0000
800 0.5566 nan 0.0398 -0.0000
820 0.5557 nan 0.0398 -0.0000
840 0.5550 nan 0.0398 -0.0000
860 0.5541 nan 0.0398 -0.0000
880 0.5534 nan 0.0398 -0.0000
900 0.5526 nan 0.0398 -0.0000
919 0.5520 nan 0.0398 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0840 nan 0.0410 0.0081
2 1.0693 nan 0.0410 0.0074
3 1.0556 nan 0.0410 0.0068
4 1.0434 nan 0.0410 0.0062
5 1.0318 nan 0.0410 0.0058
6 1.0211 nan 0.0410 0.0053
7 1.0115 nan 0.0410 0.0046
8 1.0018 nan 0.0410 0.0049
9 0.9925 nan 0.0410 0.0045
10 0.9845 nan 0.0410 0.0041
20 0.9204 nan 0.0410 0.0021
40 0.8376 nan 0.0410 0.0017
60 0.7893 nan 0.0410 0.0008
80 0.7561 nan 0.0410 0.0007
100 0.7303 nan 0.0410 0.0005
120 0.7118 nan 0.0410 0.0006
140 0.6969 nan 0.0410 0.0002
160 0.6839 nan 0.0410 0.0001
180 0.6734 nan 0.0410 0.0003
200 0.6649 nan 0.0410 0.0001
220 0.6581 nan 0.0410 0.0002
240 0.6520 nan 0.0410 0.0001
260 0.6468 nan 0.0410 0.0001
280 0.6432 nan 0.0410 0.0000
284 0.6423 nan 0.0410 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0680 nan 0.0452 0.0163
2 1.0396 nan 0.0452 0.0145
3 1.0131 nan 0.0452 0.0130
4 0.9899 nan 0.0452 0.0116
5 0.9695 nan 0.0452 0.0104
6 0.9506 nan 0.0452 0.0094
7 0.9328 nan 0.0452 0.0087
8 0.9168 nan 0.0452 0.0080
9 0.9017 nan 0.0452 0.0074
10 0.8884 nan 0.0452 0.0067
20 0.7937 nan 0.0452 0.0034
40 0.6997 nan 0.0452 0.0012
60 0.6566 nan 0.0452 0.0006
80 0.6312 nan 0.0452 0.0005
100 0.6155 nan 0.0452 0.0001
120 0.6033 nan 0.0452 0.0001
140 0.5953 nan 0.0452 0.0001
160 0.5881 nan 0.0452 0.0002
180 0.5823 nan 0.0452 0.0001
200 0.5778 nan 0.0452 0.0000
220 0.5736 nan 0.0452 0.0002
240 0.5696 nan 0.0452 0.0000
260 0.5669 nan 0.0452 0.0000
280 0.5639 nan 0.0452 -0.0000
300 0.5613 nan 0.0452 -0.0000
302 0.5611 nan 0.0452 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0817 nan 0.0466 0.0092
2 1.0655 nan 0.0466 0.0083
3 1.0501 nan 0.0466 0.0075
4 1.0365 nan 0.0466 0.0068
5 1.0238 nan 0.0466 0.0062
6 1.0128 nan 0.0466 0.0055
7 1.0016 nan 0.0466 0.0056
8 0.9925 nan 0.0466 0.0043
9 0.9846 nan 0.0466 0.0038
10 0.9746 nan 0.0466 0.0050
20 0.9039 nan 0.0466 0.0030
40 0.8210 nan 0.0466 0.0017
60 0.7739 nan 0.0466 0.0009
80 0.7410 nan 0.0466 0.0008
100 0.7172 nan 0.0466 0.0004
120 0.6989 nan 0.0466 0.0003
140 0.6835 nan 0.0466 0.0003
160 0.6719 nan 0.0466 0.0003
180 0.6629 nan 0.0466 0.0002
200 0.6554 nan 0.0466 0.0002
220 0.6491 nan 0.0466 0.0002
240 0.6441 nan 0.0466 0.0002
260 0.6398 nan 0.0466 0.0001
280 0.6357 nan 0.0466 0.0001
300 0.6327 nan 0.0466 0.0000
320 0.6294 nan 0.0466 0.0000
340 0.6271 nan 0.0466 0.0000
360 0.6253 nan 0.0466 0.0000
380 0.6231 nan 0.0466 -0.0000
386 0.6225 nan 0.0466 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0683 nan 0.0467 0.0161
2 1.0405 nan 0.0467 0.0142
3 1.0151 nan 0.0467 0.0126
4 0.9925 nan 0.0467 0.0113
5 0.9715 nan 0.0467 0.0102
6 0.9528 nan 0.0467 0.0090
7 0.9359 nan 0.0467 0.0083
8 0.9200 nan 0.0467 0.0079
9 0.9051 nan 0.0467 0.0075
10 0.8917 nan 0.0467 0.0067
20 0.8001 nan 0.0467 0.0032
40 0.7063 nan 0.0467 0.0014
60 0.6641 nan 0.0467 0.0009
80 0.6403 nan 0.0467 0.0004
100 0.6244 nan 0.0467 0.0003
120 0.6135 nan 0.0467 0.0001
140 0.6047 nan 0.0467 0.0001
160 0.5991 nan 0.0467 0.0000
180 0.5935 nan 0.0467 0.0000
200 0.5888 nan 0.0467 0.0000
220 0.5847 nan 0.0467 0.0001
240 0.5821 nan 0.0467 0.0000
260 0.5789 nan 0.0467 0.0000
280 0.5759 nan 0.0467 0.0001
300 0.5729 nan 0.0467 -0.0000
320 0.5708 nan 0.0467 -0.0000
340 0.5686 nan 0.0467 0.0000
360 0.5664 nan 0.0467 -0.0001
380 0.5647 nan 0.0467 -0.0000
400 0.5625 nan 0.0467 -0.0000
420 0.5606 nan 0.0467 -0.0000
440 0.5589 nan 0.0467 0.0000
460 0.5570 nan 0.0467 0.0000
480 0.5552 nan 0.0467 -0.0000
500 0.5538 nan 0.0467 -0.0000
520 0.5522 nan 0.0467 0.0000
540 0.5509 nan 0.0467 -0.0001
560 0.5491 nan 0.0467 0.0001
580 0.5476 nan 0.0467 -0.0000
600 0.5462 nan 0.0467 -0.0000
620 0.5447 nan 0.0467 -0.0000
640 0.5435 nan 0.0467 -0.0000
660 0.5425 nan 0.0467 -0.0000
680 0.5416 nan 0.0467 -0.0000
700 0.5405 nan 0.0467 -0.0000
720 0.5394 nan 0.0467 -0.0000
740 0.5382 nan 0.0467 -0.0000
753 0.5375 nan 0.0467 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0696 nan 0.0497 0.0154
2 1.0416 nan 0.0497 0.0138
3 1.0165 nan 0.0497 0.0122
4 0.9951 nan 0.0497 0.0106
5 0.9753 nan 0.0497 0.0098
6 0.9574 nan 0.0497 0.0093
7 0.9404 nan 0.0497 0.0086
8 0.9248 nan 0.0497 0.0076
9 0.9110 nan 0.0497 0.0070
10 0.8975 nan 0.0497 0.0065
20 0.8042 nan 0.0497 0.0037
40 0.7186 nan 0.0497 0.0015
60 0.6741 nan 0.0497 0.0008
80 0.6495 nan 0.0497 0.0006
100 0.6340 nan 0.0497 0.0002
120 0.6223 nan 0.0497 0.0003
140 0.6144 nan 0.0497 0.0001
160 0.6083 nan 0.0497 0.0001
180 0.6032 nan 0.0497 0.0000
200 0.5982 nan 0.0497 0.0001
220 0.5944 nan 0.0497 0.0001
240 0.5911 nan 0.0497 0.0001
260 0.5883 nan 0.0497 -0.0000
280 0.5857 nan 0.0497 -0.0000
300 0.5831 nan 0.0497 -0.0000
320 0.5808 nan 0.0497 0.0001
340 0.5786 nan 0.0497 0.0001
360 0.5768 nan 0.0497 -0.0000
380 0.5752 nan 0.0497 -0.0000
400 0.5735 nan 0.0497 -0.0000
420 0.5720 nan 0.0497 -0.0000
440 0.5703 nan 0.0497 0.0000
460 0.5687 nan 0.0497 0.0000
480 0.5674 nan 0.0497 -0.0000
500 0.5662 nan 0.0497 -0.0000
520 0.5648 nan 0.0497 -0.0000
540 0.5637 nan 0.0497 -0.0000
553 0.5630 nan 0.0497 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0737 nan 0.0500 0.0133
2 1.0493 nan 0.0500 0.0121
3 1.0280 nan 0.0500 0.0107
4 1.0084 nan 0.0500 0.0099
5 0.9906 nan 0.0500 0.0088
6 0.9749 nan 0.0500 0.0078
7 0.9567 nan 0.0500 0.0093
8 0.9436 nan 0.0500 0.0065
9 0.9314 nan 0.0500 0.0059
10 0.9168 nan 0.0500 0.0074
20 0.8273 nan 0.0500 0.0030
40 0.7444 nan 0.0500 0.0016
60 0.6993 nan 0.0500 0.0008
80 0.6714 nan 0.0500 0.0006
100 0.6535 nan 0.0500 0.0003
120 0.6417 nan 0.0500 0.0002
140 0.6332 nan 0.0500 0.0001
160 0.6269 nan 0.0500 0.0001
180 0.6212 nan 0.0500 0.0001
200 0.6165 nan 0.0500 0.0001
220 0.6126 nan 0.0500 0.0000
240 0.6094 nan 0.0500 -0.0000
260 0.6065 nan 0.0500 0.0000
280 0.6035 nan 0.0500 0.0001
300 0.6009 nan 0.0500 0.0000
320 0.5989 nan 0.0500 -0.0000
340 0.5969 nan 0.0500 0.0000
360 0.5949 nan 0.0500 -0.0000
380 0.5932 nan 0.0500 0.0000
400 0.5915 nan 0.0500 -0.0000
420 0.5901 nan 0.0500 -0.0000
440 0.5888 nan 0.0500 -0.0000
460 0.5877 nan 0.0500 -0.0000
480 0.5867 nan 0.0500 -0.0000
500 0.5856 nan 0.0500 -0.0000
520 0.5841 nan 0.0500 0.0000
540 0.5830 nan 0.0500 -0.0000
560 0.5822 nan 0.0500 -0.0000
580 0.5812 nan 0.0500 -0.0000
600 0.5802 nan 0.0500 -0.0000
620 0.5792 nan 0.0500 0.0000
640 0.5780 nan 0.0500 -0.0000
660 0.5771 nan 0.0500 -0.0000
680 0.5763 nan 0.0500 -0.0000
700 0.5756 nan 0.0500 0.0000
720 0.5749 nan 0.0500 0.0000
740 0.5742 nan 0.0500 -0.0000
760 0.5736 nan 0.0500 -0.0000
780 0.5730 nan 0.0500 -0.0000
800 0.5722 nan 0.0500 -0.0000
820 0.5714 nan 0.0500 -0.0000
840 0.5707 nan 0.0500 -0.0000
860 0.5699 nan 0.0500 -0.0000
880 0.5695 nan 0.0500 0.0000
900 0.5686 nan 0.0500 -0.0000
907 0.5684 nan 0.0500 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0718 nan 0.0528 0.0143
2 1.0465 nan 0.0528 0.0127
3 1.0242 nan 0.0528 0.0110
4 1.0042 nan 0.0528 0.0101
5 0.9867 nan 0.0528 0.0088
6 0.9699 nan 0.0528 0.0082
7 0.9510 nan 0.0528 0.0096
8 0.9342 nan 0.0528 0.0083
9 0.9191 nan 0.0528 0.0075
10 0.9059 nan 0.0528 0.0068
20 0.8205 nan 0.0528 0.0035
40 0.7385 nan 0.0528 0.0015
60 0.6938 nan 0.0528 0.0009
80 0.6675 nan 0.0528 0.0005
100 0.6509 nan 0.0528 0.0005
120 0.6394 nan 0.0528 0.0002
140 0.6314 nan 0.0528 0.0001
160 0.6254 nan 0.0528 0.0001
180 0.6206 nan 0.0528 0.0000
200 0.6155 nan 0.0528 0.0000
220 0.6116 nan 0.0528 0.0001
225 0.6108 nan 0.0528 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0712 nan 0.0536 0.0144
2 1.0456 nan 0.0536 0.0123
3 1.0231 nan 0.0536 0.0112
4 1.0027 nan 0.0536 0.0102
5 0.9846 nan 0.0536 0.0089
6 0.9681 nan 0.0536 0.0081
7 0.9498 nan 0.0536 0.0091
8 0.9362 nan 0.0536 0.0068
9 0.9206 nan 0.0536 0.0077
10 0.9067 nan 0.0536 0.0067
20 0.8228 nan 0.0536 0.0028
40 0.7382 nan 0.0536 0.0011
60 0.6927 nan 0.0536 0.0007
80 0.6670 nan 0.0536 0.0004
100 0.6499 nan 0.0536 0.0002
120 0.6386 nan 0.0536 0.0001
140 0.6300 nan 0.0536 0.0001
160 0.6245 nan 0.0536 0.0001
180 0.6185 nan 0.0536 0.0000
200 0.6147 nan 0.0536 0.0000
220 0.6111 nan 0.0536 0.0000
240 0.6078 nan 0.0536 0.0000
260 0.6052 nan 0.0536 0.0001
280 0.6028 nan 0.0536 0.0000
283 0.6025 nan 0.0536 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0790 nan 0.0552 0.0108
2 1.0596 nan 0.0552 0.0096
3 1.0428 nan 0.0552 0.0086
4 1.0293 nan 0.0552 0.0064
5 1.0143 nan 0.0552 0.0076
6 1.0010 nan 0.0552 0.0068
7 0.9905 nan 0.0552 0.0055
8 0.9783 nan 0.0552 0.0060
9 0.9675 nan 0.0552 0.0054
10 0.9592 nan 0.0552 0.0042
20 0.8840 nan 0.0552 0.0030
40 0.8007 nan 0.0552 0.0014
60 0.7534 nan 0.0552 0.0009
80 0.7221 nan 0.0552 0.0007
100 0.6992 nan 0.0552 0.0003
120 0.6817 nan 0.0552 0.0004
140 0.6691 nan 0.0552 0.0002
160 0.6588 nan 0.0552 0.0001
180 0.6514 nan 0.0552 0.0001
200 0.6449 nan 0.0552 0.0001
220 0.6394 nan 0.0552 0.0001
240 0.6349 nan 0.0552 0.0000
260 0.6312 nan 0.0552 0.0000
280 0.6281 nan 0.0552 0.0001
300 0.6254 nan 0.0552 0.0000
320 0.6227 nan 0.0552 0.0000
340 0.6204 nan 0.0552 0.0000
360 0.6185 nan 0.0552 0.0001
380 0.6163 nan 0.0552 0.0000
400 0.6144 nan 0.0552 0.0000
420 0.6125 nan 0.0552 0.0000
440 0.6106 nan 0.0552 0.0000
460 0.6093 nan 0.0552 0.0000
480 0.6079 nan 0.0552 0.0000
500 0.6066 nan 0.0552 0.0000
520 0.6055 nan 0.0552 0.0000
540 0.6044 nan 0.0552 0.0000
560 0.6032 nan 0.0552 -0.0000
580 0.6023 nan 0.0552 -0.0000
600 0.6013 nan 0.0552 0.0000
620 0.6004 nan 0.0552 -0.0000
640 0.5994 nan 0.0552 -0.0000
660 0.5985 nan 0.0552 -0.0000
680 0.5978 nan 0.0552 -0.0000
700 0.5972 nan 0.0552 -0.0000
720 0.5966 nan 0.0552 -0.0000
740 0.5961 nan 0.0552 -0.0000
760 0.5955 nan 0.0552 -0.0000
780 0.5948 nan 0.0552 -0.0000
800 0.5943 nan 0.0552 -0.0000
820 0.5938 nan 0.0552 -0.0000
840 0.5933 nan 0.0552 -0.0000
860 0.5929 nan 0.0552 -0.0000
880 0.5923 nan 0.0552 -0.0000
900 0.5918 nan 0.0552 0.0000
920 0.5913 nan 0.0552 0.0000
940 0.5909 nan 0.0552 -0.0000
956 0.5905 nan 0.0552 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0695 nan 0.0555 0.0150
2 1.0434 nan 0.0555 0.0129
3 1.0206 nan 0.0555 0.0111
4 0.9999 nan 0.0555 0.0104
5 0.9810 nan 0.0555 0.0093
6 0.9642 nan 0.0555 0.0082
7 0.9491 nan 0.0555 0.0074
8 0.9316 nan 0.0555 0.0086
9 0.9161 nan 0.0555 0.0077
10 0.9024 nan 0.0555 0.0070
20 0.8176 nan 0.0555 0.0029
40 0.7326 nan 0.0555 0.0014
60 0.6900 nan 0.0555 0.0010
80 0.6644 nan 0.0555 0.0005
100 0.6480 nan 0.0555 0.0004
120 0.6372 nan 0.0555 0.0002
140 0.6288 nan 0.0555 0.0001
160 0.6228 nan 0.0555 0.0001
180 0.6177 nan 0.0555 0.0001
200 0.6129 nan 0.0555 0.0000
220 0.6095 nan 0.0555 0.0000
240 0.6069 nan 0.0555 0.0001
260 0.6042 nan 0.0555 -0.0000
280 0.6013 nan 0.0555 0.0001
300 0.5993 nan 0.0555 -0.0000
320 0.5972 nan 0.0555 -0.0000
340 0.5951 nan 0.0555 0.0000
360 0.5933 nan 0.0555 -0.0000
380 0.5915 nan 0.0555 -0.0000
400 0.5898 nan 0.0555 0.0000
420 0.5880 nan 0.0555 -0.0000
440 0.5867 nan 0.0555 -0.0000
460 0.5855 nan 0.0555 -0.0000
480 0.5842 nan 0.0555 0.0000
493 0.5834 nan 0.0555 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0586 nan 0.0614 0.0210
2 1.0229 nan 0.0614 0.0180
3 0.9928 nan 0.0614 0.0153
4 0.9660 nan 0.0614 0.0130
5 0.9419 nan 0.0614 0.0119
6 0.9213 nan 0.0614 0.0102
7 0.9026 nan 0.0614 0.0091
8 0.8848 nan 0.0614 0.0088
9 0.8703 nan 0.0614 0.0072
10 0.8561 nan 0.0614 0.0069
20 0.7618 nan 0.0614 0.0033
40 0.6785 nan 0.0614 0.0014
60 0.6426 nan 0.0614 0.0005
80 0.6239 nan 0.0614 0.0003
100 0.6132 nan 0.0614 0.0001
120 0.6054 nan 0.0614 0.0001
140 0.5996 nan 0.0614 0.0002
160 0.5947 nan 0.0614 -0.0001
180 0.5907 nan 0.0614 -0.0000
200 0.5873 nan 0.0614 -0.0000
220 0.5846 nan 0.0614 -0.0000
240 0.5815 nan 0.0614 0.0000
260 0.5786 nan 0.0614 -0.0000
280 0.5763 nan 0.0614 -0.0001
300 0.5740 nan 0.0614 -0.0000
320 0.5717 nan 0.0614 -0.0000
340 0.5698 nan 0.0614 0.0000
360 0.5677 nan 0.0614 -0.0000
380 0.5661 nan 0.0614 -0.0000
400 0.5648 nan 0.0614 -0.0000
420 0.5632 nan 0.0614 0.0000
436 0.5622 nan 0.0614 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0550 nan 0.0636 0.0227
2 1.0172 nan 0.0636 0.0196
3 0.9848 nan 0.0636 0.0162
4 0.9564 nan 0.0636 0.0141
5 0.9312 nan 0.0636 0.0124
6 0.9087 nan 0.0636 0.0110
7 0.8892 nan 0.0636 0.0095
8 0.8717 nan 0.0636 0.0088
9 0.8559 nan 0.0636 0.0077
10 0.8412 nan 0.0636 0.0071
20 0.7428 nan 0.0636 0.0038
40 0.6629 nan 0.0636 0.0011
60 0.6282 nan 0.0636 0.0005
80 0.6094 nan 0.0636 0.0003
100 0.5977 nan 0.0636 0.0001
120 0.5894 nan 0.0636 0.0002
140 0.5812 nan 0.0636 0.0000
160 0.5751 nan 0.0636 0.0002
180 0.5695 nan 0.0636 0.0002
200 0.5651 nan 0.0636 -0.0001
220 0.5613 nan 0.0636 -0.0001
240 0.5578 nan 0.0636 -0.0000
260 0.5549 nan 0.0636 -0.0000
280 0.5511 nan 0.0636 -0.0000
300 0.5484 nan 0.0636 -0.0001
320 0.5460 nan 0.0636 -0.0000
340 0.5434 nan 0.0636 -0.0000
360 0.5413 nan 0.0636 -0.0000
380 0.5389 nan 0.0636 -0.0000
400 0.5370 nan 0.0636 -0.0000
420 0.5348 nan 0.0636 -0.0001
440 0.5324 nan 0.0636 -0.0000
460 0.5306 nan 0.0636 -0.0000
480 0.5283 nan 0.0636 -0.0001
500 0.5262 nan 0.0636 -0.0000
520 0.5247 nan 0.0636 -0.0001
540 0.5227 nan 0.0636 -0.0001
560 0.5210 nan 0.0636 -0.0001
580 0.5194 nan 0.0636 -0.0001
586 0.5189 nan 0.0636 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0541 nan 0.0644 0.0230
2 1.0157 nan 0.0644 0.0192
3 0.9825 nan 0.0644 0.0164
4 0.9539 nan 0.0644 0.0141
5 0.9292 nan 0.0644 0.0123
6 0.9069 nan 0.0644 0.0108
7 0.8871 nan 0.0644 0.0098
8 0.8696 nan 0.0644 0.0086
9 0.8544 nan 0.0644 0.0078
10 0.8399 nan 0.0644 0.0070
20 0.7422 nan 0.0644 0.0038
40 0.6605 nan 0.0644 0.0009
60 0.6279 nan 0.0644 0.0004
80 0.6089 nan 0.0644 0.0002
100 0.5980 nan 0.0644 0.0000
120 0.5886 nan 0.0644 0.0002
140 0.5824 nan 0.0644 -0.0000
160 0.5761 nan 0.0644 0.0002
180 0.5718 nan 0.0644 0.0000
200 0.5678 nan 0.0644 -0.0000
220 0.5643 nan 0.0644 -0.0001
240 0.5608 nan 0.0644 -0.0000
260 0.5572 nan 0.0644 -0.0001
280 0.5541 nan 0.0644 -0.0000
300 0.5514 nan 0.0644 0.0001
320 0.5491 nan 0.0644 -0.0001
340 0.5467 nan 0.0644 -0.0001
360 0.5448 nan 0.0644 -0.0000
380 0.5429 nan 0.0644 -0.0001
400 0.5411 nan 0.0644 -0.0001
420 0.5391 nan 0.0644 -0.0000
440 0.5374 nan 0.0644 -0.0001
460 0.5358 nan 0.0644 -0.0001
480 0.5342 nan 0.0644 -0.0000
500 0.5324 nan 0.0644 -0.0000
520 0.5307 nan 0.0644 -0.0001
540 0.5292 nan 0.0644 -0.0000
560 0.5275 nan 0.0644 0.0001
580 0.5260 nan 0.0644 -0.0001
600 0.5248 nan 0.0644 -0.0001
620 0.5234 nan 0.0644 -0.0001
640 0.5221 nan 0.0644 -0.0000
660 0.5203 nan 0.0644 -0.0000
680 0.5186 nan 0.0644 -0.0000
700 0.5171 nan 0.0644 -0.0001
720 0.5158 nan 0.0644 -0.0001
740 0.5148 nan 0.0644 -0.0000
760 0.5137 nan 0.0644 -0.0001
780 0.5127 nan 0.0644 -0.0000
800 0.5114 nan 0.0644 -0.0001
820 0.5102 nan 0.0644 -0.0001
840 0.5093 nan 0.0644 -0.0000
860 0.5082 nan 0.0644 -0.0000
880 0.5072 nan 0.0644 -0.0000
897 0.5062 nan 0.0644 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0568 nan 0.0662 0.0222
2 1.0190 nan 0.0662 0.0193
3 0.9877 nan 0.0662 0.0158
4 0.9592 nan 0.0662 0.0142
5 0.9348 nan 0.0662 0.0122
6 0.9132 nan 0.0662 0.0106
7 0.8934 nan 0.0662 0.0095
8 0.8758 nan 0.0662 0.0088
9 0.8609 nan 0.0662 0.0074
10 0.8462 nan 0.0662 0.0072
20 0.7513 nan 0.0662 0.0036
40 0.6691 nan 0.0662 0.0009
60 0.6366 nan 0.0662 0.0005
80 0.6198 nan 0.0662 0.0002
100 0.6093 nan 0.0662 0.0001
120 0.6018 nan 0.0662 0.0001
140 0.5966 nan 0.0662 0.0000
160 0.5925 nan 0.0662 0.0000
180 0.5886 nan 0.0662 -0.0000
200 0.5858 nan 0.0662 -0.0001
220 0.5826 nan 0.0662 -0.0000
240 0.5794 nan 0.0662 -0.0001
260 0.5769 nan 0.0662 -0.0001
280 0.5747 nan 0.0662 -0.0001
300 0.5729 nan 0.0662 -0.0000
320 0.5706 nan 0.0662 -0.0001
340 0.5684 nan 0.0662 -0.0000
354 0.5672 nan 0.0662 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0551 nan 0.0663 0.0228
2 1.0162 nan 0.0663 0.0193
3 0.9841 nan 0.0663 0.0159
4 0.9564 nan 0.0663 0.0135
5 0.9320 nan 0.0663 0.0121
6 0.9103 nan 0.0663 0.0108
7 0.8913 nan 0.0663 0.0093
8 0.8739 nan 0.0663 0.0085
9 0.8586 nan 0.0663 0.0074
10 0.8445 nan 0.0663 0.0072
20 0.7500 nan 0.0663 0.0034
40 0.6708 nan 0.0663 0.0013
60 0.6350 nan 0.0663 0.0007
80 0.6175 nan 0.0663 0.0003
100 0.6053 nan 0.0663 0.0001
120 0.5954 nan 0.0663 0.0000
140 0.5878 nan 0.0663 0.0000
160 0.5823 nan 0.0663 0.0001
180 0.5777 nan 0.0663 -0.0001
200 0.5730 nan 0.0663 -0.0000
220 0.5690 nan 0.0663 -0.0000
240 0.5650 nan 0.0663 -0.0001
260 0.5620 nan 0.0663 -0.0000
280 0.5592 nan 0.0663 -0.0001
300 0.5565 nan 0.0663 -0.0000
320 0.5537 nan 0.0663 -0.0000
340 0.5510 nan 0.0663 -0.0000
355 0.5493 nan 0.0663 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0633 nan 0.0685 0.0185
2 1.0315 nan 0.0685 0.0154
3 1.0048 nan 0.0685 0.0131
4 0.9808 nan 0.0685 0.0119
5 0.9604 nan 0.0685 0.0102
6 0.9371 nan 0.0685 0.0116
7 0.9176 nan 0.0685 0.0098
8 0.9001 nan 0.0685 0.0088
9 0.8864 nan 0.0685 0.0066
10 0.8741 nan 0.0685 0.0061
20 0.7907 nan 0.0685 0.0030
40 0.7085 nan 0.0685 0.0012
60 0.6687 nan 0.0685 0.0004
80 0.6474 nan 0.0685 0.0004
100 0.6345 nan 0.0685 0.0002
120 0.6256 nan 0.0685 0.0001
140 0.6197 nan 0.0685 0.0000
160 0.6144 nan 0.0685 0.0001
180 0.6093 nan 0.0685 0.0001
200 0.6058 nan 0.0685 -0.0000
220 0.6029 nan 0.0685 0.0000
240 0.6003 nan 0.0685 0.0000
260 0.5981 nan 0.0685 0.0000
280 0.5962 nan 0.0685 -0.0000
300 0.5938 nan 0.0685 0.0000
320 0.5922 nan 0.0685 -0.0000
340 0.5905 nan 0.0685 0.0000
360 0.5892 nan 0.0685 0.0000
380 0.5879 nan 0.0685 0.0001
400 0.5863 nan 0.0685 -0.0001
406 0.5860 nan 0.0685 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0633 nan 0.0687 0.0182
2 1.0325 nan 0.0687 0.0155
3 1.0057 nan 0.0687 0.0130
4 0.9816 nan 0.0687 0.0119
5 0.9615 nan 0.0687 0.0106
6 0.9393 nan 0.0687 0.0114
7 0.9228 nan 0.0687 0.0084
8 0.9046 nan 0.0687 0.0089
9 0.8891 nan 0.0687 0.0079
10 0.8767 nan 0.0687 0.0065
20 0.7914 nan 0.0687 0.0033
40 0.7109 nan 0.0687 0.0018
60 0.6707 nan 0.0687 0.0005
80 0.6489 nan 0.0687 0.0002
100 0.6355 nan 0.0687 0.0001
120 0.6260 nan 0.0687 0.0001
140 0.6192 nan 0.0687 0.0001
160 0.6140 nan 0.0687 0.0000
180 0.6096 nan 0.0687 0.0001
200 0.6042 nan 0.0687 0.0002
220 0.6005 nan 0.0687 -0.0001
240 0.5980 nan 0.0687 0.0000
260 0.5953 nan 0.0687 -0.0000
280 0.5926 nan 0.0687 0.0001
300 0.5900 nan 0.0687 -0.0000
320 0.5877 nan 0.0687 0.0001
340 0.5858 nan 0.0687 -0.0000
360 0.5838 nan 0.0687 -0.0000
380 0.5821 nan 0.0687 -0.0000
400 0.5793 nan 0.0687 0.0003
420 0.5780 nan 0.0687 -0.0000
440 0.5766 nan 0.0687 -0.0000
460 0.5751 nan 0.0687 -0.0000
480 0.5740 nan 0.0687 -0.0000
500 0.5726 nan 0.0687 -0.0000
520 0.5716 nan 0.0687 -0.0000
540 0.5704 nan 0.0687 -0.0000
560 0.5691 nan 0.0687 -0.0000
580 0.5674 nan 0.0687 0.0000
600 0.5667 nan 0.0687 -0.0000
620 0.5657 nan 0.0687 -0.0000
640 0.5647 nan 0.0687 -0.0000
660 0.5637 nan 0.0687 -0.0000
680 0.5630 nan 0.0687 -0.0001
700 0.5620 nan 0.0687 -0.0000
720 0.5608 nan 0.0687 -0.0000
740 0.5598 nan 0.0687 -0.0000
760 0.5588 nan 0.0687 -0.0000
780 0.5578 nan 0.0687 -0.0001
800 0.5568 nan 0.0687 -0.0000
820 0.5560 nan 0.0687 -0.0000
840 0.5552 nan 0.0687 -0.0000
860 0.5545 nan 0.0687 -0.0000
880 0.5539 nan 0.0687 -0.0000
881 0.5538 nan 0.0687 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0728 nan 0.0697 0.0135
2 1.0494 nan 0.0697 0.0116
3 1.0284 nan 0.0697 0.0099
4 1.0121 nan 0.0697 0.0080
5 0.9948 nan 0.0697 0.0085
6 0.9824 nan 0.0697 0.0061
7 0.9674 nan 0.0697 0.0073
8 0.9545 nan 0.0697 0.0063
9 0.9444 nan 0.0697 0.0048
10 0.9328 nan 0.0697 0.0057
20 0.8540 nan 0.0697 0.0035
40 0.7720 nan 0.0697 0.0014
60 0.7263 nan 0.0697 0.0011
80 0.6985 nan 0.0697 0.0006
100 0.6770 nan 0.0697 0.0005
120 0.6628 nan 0.0697 0.0003
140 0.6520 nan 0.0697 0.0001
160 0.6445 nan 0.0697 0.0001
180 0.6383 nan 0.0697 0.0001
200 0.6330 nan 0.0697 0.0000
220 0.6286 nan 0.0697 0.0000
240 0.6248 nan 0.0697 0.0002
260 0.6219 nan 0.0697 0.0000
280 0.6192 nan 0.0697 0.0000
300 0.6163 nan 0.0697 0.0000
320 0.6138 nan 0.0697 0.0000
340 0.6115 nan 0.0697 0.0000
360 0.6097 nan 0.0697 0.0000
380 0.6077 nan 0.0697 0.0000
400 0.6062 nan 0.0697 0.0000
420 0.6045 nan 0.0697 -0.0000
440 0.6032 nan 0.0697 -0.0000
460 0.6018 nan 0.0697 -0.0000
480 0.6006 nan 0.0697 -0.0000
500 0.5995 nan 0.0697 -0.0000
520 0.5985 nan 0.0697 -0.0000
540 0.5977 nan 0.0697 -0.0000
545 0.5975 nan 0.0697 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0488 nan 0.0714 0.0258
2 1.0073 nan 0.0714 0.0207
3 0.9720 nan 0.0714 0.0176
4 0.9426 nan 0.0714 0.0149
5 0.9164 nan 0.0714 0.0129
6 0.8940 nan 0.0714 0.0111
7 0.8730 nan 0.0714 0.0105
8 0.8552 nan 0.0714 0.0088
9 0.8392 nan 0.0714 0.0078
10 0.8257 nan 0.0714 0.0068
20 0.7281 nan 0.0714 0.0030
40 0.6519 nan 0.0714 0.0011
60 0.6204 nan 0.0714 0.0005
80 0.6028 nan 0.0714 0.0004
100 0.5912 nan 0.0714 0.0001
120 0.5835 nan 0.0714 0.0000
140 0.5769 nan 0.0714 0.0001
160 0.5723 nan 0.0714 0.0000
180 0.5679 nan 0.0714 0.0000
200 0.5638 nan 0.0714 -0.0000
220 0.5603 nan 0.0714 -0.0001
240 0.5569 nan 0.0714 -0.0000
260 0.5541 nan 0.0714 -0.0001
280 0.5512 nan 0.0714 -0.0000
300 0.5488 nan 0.0714 -0.0001
320 0.5464 nan 0.0714 -0.0000
340 0.5444 nan 0.0714 -0.0001
360 0.5422 nan 0.0714 -0.0000
380 0.5401 nan 0.0714 -0.0001
400 0.5379 nan 0.0714 -0.0000
420 0.5358 nan 0.0714 -0.0001
440 0.5338 nan 0.0714 0.0001
460 0.5322 nan 0.0714 -0.0001
473 0.5311 nan 0.0714 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0609 nan 0.0743 0.0199
2 1.0274 nan 0.0743 0.0162
3 0.9990 nan 0.0743 0.0141
4 0.9737 nan 0.0743 0.0126
5 0.9477 nan 0.0743 0.0129
6 0.9254 nan 0.0743 0.0112
7 0.9060 nan 0.0743 0.0094
8 0.8893 nan 0.0743 0.0083
9 0.8756 nan 0.0743 0.0067
10 0.8628 nan 0.0743 0.0062
20 0.7796 nan 0.0743 0.0027
40 0.6988 nan 0.0743 0.0011
60 0.6616 nan 0.0743 0.0006
80 0.6423 nan 0.0743 0.0003
100 0.6303 nan 0.0743 0.0000
120 0.6220 nan 0.0743 0.0001
140 0.6157 nan 0.0743 0.0001
160 0.6100 nan 0.0743 0.0002
180 0.6054 nan 0.0743 -0.0000
185 0.6046 nan 0.0743 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0484 nan 0.0751 0.0258
2 1.0074 nan 0.0751 0.0209
3 0.9729 nan 0.0751 0.0173
4 0.9433 nan 0.0751 0.0149
5 0.9175 nan 0.0751 0.0126
6 0.8952 nan 0.0751 0.0108
7 0.8751 nan 0.0751 0.0100
8 0.8571 nan 0.0751 0.0090
9 0.8420 nan 0.0751 0.0072
10 0.8284 nan 0.0751 0.0066
20 0.7348 nan 0.0751 0.0036
40 0.6580 nan 0.0751 0.0009
60 0.6267 nan 0.0751 0.0001
80 0.6096 nan 0.0751 0.0003
100 0.5979 nan 0.0751 0.0000
120 0.5893 nan 0.0751 0.0000
140 0.5836 nan 0.0751 -0.0000
160 0.5782 nan 0.0751 -0.0000
180 0.5741 nan 0.0751 -0.0000
200 0.5697 nan 0.0751 -0.0001
220 0.5657 nan 0.0751 -0.0000
225 0.5649 nan 0.0751 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0593 nan 0.0773 0.0204
2 1.0250 nan 0.0773 0.0169
3 0.9955 nan 0.0773 0.0145
4 0.9711 nan 0.0773 0.0123
5 0.9437 nan 0.0773 0.0137
6 0.9211 nan 0.0773 0.0114
7 0.9021 nan 0.0773 0.0096
8 0.8871 nan 0.0773 0.0074
9 0.8727 nan 0.0773 0.0072
10 0.8584 nan 0.0773 0.0072
20 0.7767 nan 0.0773 0.0032
40 0.6948 nan 0.0773 0.0015
60 0.6598 nan 0.0773 0.0005
80 0.6401 nan 0.0773 0.0003
100 0.6289 nan 0.0773 0.0001
120 0.6211 nan 0.0773 0.0001
140 0.6141 nan 0.0773 0.0001
160 0.6095 nan 0.0773 0.0000
180 0.6049 nan 0.0773 -0.0000
200 0.6007 nan 0.0773 0.0001
220 0.5979 nan 0.0773 -0.0000
240 0.5950 nan 0.0773 0.0001
260 0.5925 nan 0.0773 0.0000
280 0.5904 nan 0.0773 -0.0000
300 0.5881 nan 0.0773 0.0000
320 0.5863 nan 0.0773 -0.0001
340 0.5846 nan 0.0773 -0.0000
360 0.5827 nan 0.0773 0.0000
380 0.5813 nan 0.0773 -0.0000
400 0.5798 nan 0.0773 -0.0000
420 0.5781 nan 0.0773 -0.0000
440 0.5768 nan 0.0773 -0.0001
460 0.5758 nan 0.0773 -0.0000
480 0.5746 nan 0.0773 -0.0000
500 0.5737 nan 0.0773 -0.0001
520 0.5725 nan 0.0773 -0.0000
540 0.5714 nan 0.0773 -0.0001
560 0.5705 nan 0.0773 -0.0000
580 0.5698 nan 0.0773 -0.0001
600 0.5692 nan 0.0773 -0.0000
606 0.5689 nan 0.0773 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0698 nan 0.0774 0.0149
2 1.0437 nan 0.0774 0.0126
3 1.0225 nan 0.0774 0.0107
4 1.0049 nan 0.0774 0.0082
5 0.9871 nan 0.0774 0.0090
6 0.9740 nan 0.0774 0.0064
7 0.9591 nan 0.0774 0.0076
8 0.9456 nan 0.0774 0.0066
9 0.9326 nan 0.0774 0.0065
10 0.9225 nan 0.0774 0.0048
20 0.8416 nan 0.0774 0.0030
40 0.7589 nan 0.0774 0.0012
60 0.7162 nan 0.0774 0.0008
80 0.6869 nan 0.0774 0.0006
100 0.6674 nan 0.0774 0.0002
120 0.6551 nan 0.0774 0.0004
140 0.6452 nan 0.0774 0.0001
160 0.6382 nan 0.0774 0.0001
180 0.6332 nan 0.0774 -0.0000
200 0.6283 nan 0.0774 0.0000
220 0.6239 nan 0.0774 0.0002
240 0.6208 nan 0.0774 -0.0000
260 0.6175 nan 0.0774 0.0000
280 0.6149 nan 0.0774 0.0000
300 0.6125 nan 0.0774 0.0000
320 0.6102 nan 0.0774 0.0000
340 0.6086 nan 0.0774 0.0000
360 0.6067 nan 0.0774 -0.0000
380 0.6053 nan 0.0774 -0.0000
400 0.6032 nan 0.0774 0.0000
420 0.6017 nan 0.0774 0.0000
440 0.6003 nan 0.0774 0.0000
460 0.5995 nan 0.0774 -0.0000
480 0.5984 nan 0.0774 -0.0000
500 0.5973 nan 0.0774 -0.0000
520 0.5966 nan 0.0774 -0.0000
540 0.5958 nan 0.0774 -0.0000
560 0.5951 nan 0.0774 -0.0001
580 0.5944 nan 0.0774 -0.0000
600 0.5935 nan 0.0774 -0.0000
620 0.5926 nan 0.0774 -0.0000
640 0.5919 nan 0.0774 0.0000
660 0.5912 nan 0.0774 0.0000
680 0.5904 nan 0.0774 -0.0000
700 0.5898 nan 0.0774 -0.0000
720 0.5892 nan 0.0774 -0.0000
735 0.5888 nan 0.0774 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0465 nan 0.0790 0.0268
2 1.0043 nan 0.0790 0.0218
3 0.9684 nan 0.0790 0.0180
4 0.9375 nan 0.0790 0.0151
5 0.9114 nan 0.0790 0.0129
6 0.8887 nan 0.0790 0.0113
7 0.8684 nan 0.0790 0.0101
8 0.8506 nan 0.0790 0.0088
9 0.8348 nan 0.0790 0.0077
10 0.8208 nan 0.0790 0.0066
20 0.7289 nan 0.0790 0.0033
40 0.6569 nan 0.0790 0.0011
60 0.6259 nan 0.0790 0.0003
80 0.6094 nan 0.0790 0.0001
100 0.5991 nan 0.0790 0.0001
120 0.5907 nan 0.0790 0.0000
140 0.5844 nan 0.0790 0.0000
160 0.5797 nan 0.0790 -0.0000
180 0.5760 nan 0.0790 -0.0000
200 0.5719 nan 0.0790 -0.0000
220 0.5687 nan 0.0790 -0.0001
240 0.5657 nan 0.0790 -0.0000
260 0.5629 nan 0.0790 -0.0000
280 0.5597 nan 0.0790 0.0001
300 0.5578 nan 0.0790 -0.0001
320 0.5553 nan 0.0790 -0.0000
340 0.5529 nan 0.0790 -0.0001
360 0.5510 nan 0.0790 -0.0000
380 0.5492 nan 0.0790 -0.0000
388 0.5485 nan 0.0790 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0574 nan 0.0803 0.0212
2 1.0217 nan 0.0803 0.0171
3 0.9917 nan 0.0803 0.0150
4 0.9671 nan 0.0803 0.0126
5 0.9392 nan 0.0803 0.0136
6 0.9161 nan 0.0803 0.0115
7 0.8965 nan 0.0803 0.0099
8 0.8797 nan 0.0803 0.0084
9 0.8663 nan 0.0803 0.0069
10 0.8527 nan 0.0803 0.0068
20 0.7712 nan 0.0803 0.0035
40 0.6922 nan 0.0803 0.0010
60 0.6573 nan 0.0803 0.0007
80 0.6395 nan 0.0803 0.0002
100 0.6282 nan 0.0803 0.0001
120 0.6201 nan 0.0803 0.0001
140 0.6141 nan 0.0803 0.0001
160 0.6084 nan 0.0803 -0.0000
180 0.6043 nan 0.0803 0.0000
200 0.6005 nan 0.0803 0.0001
220 0.5966 nan 0.0803 -0.0000
240 0.5939 nan 0.0803 0.0000
260 0.5916 nan 0.0803 0.0001
270 0.5901 nan 0.0803 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0507 nan 0.0808 0.0244
2 1.0109 nan 0.0808 0.0202
3 0.9754 nan 0.0808 0.0185
4 0.9462 nan 0.0808 0.0143
5 0.9202 nan 0.0808 0.0129
6 0.8978 nan 0.0808 0.0108
7 0.8794 nan 0.0808 0.0092
8 0.8600 nan 0.0808 0.0094
9 0.8436 nan 0.0808 0.0084
10 0.8288 nan 0.0808 0.0076
20 0.7420 nan 0.0808 0.0033
40 0.6668 nan 0.0808 0.0009
60 0.6365 nan 0.0808 0.0004
80 0.6198 nan 0.0808 0.0002
100 0.6083 nan 0.0808 0.0002
120 0.6003 nan 0.0808 0.0001
140 0.5936 nan 0.0808 0.0001
160 0.5891 nan 0.0808 0.0001
180 0.5848 nan 0.0808 -0.0001
200 0.5814 nan 0.0808 0.0001
220 0.5784 nan 0.0808 0.0000
240 0.5751 nan 0.0808 -0.0000
260 0.5728 nan 0.0808 -0.0001
280 0.5701 nan 0.0808 -0.0000
300 0.5677 nan 0.0808 -0.0000
320 0.5654 nan 0.0808 -0.0000
340 0.5633 nan 0.0808 -0.0000
360 0.5617 nan 0.0808 -0.0000
380 0.5601 nan 0.0808 -0.0001
400 0.5580 nan 0.0808 -0.0000
420 0.5559 nan 0.0808 -0.0001
440 0.5545 nan 0.0808 -0.0000
460 0.5534 nan 0.0808 -0.0001
480 0.5517 nan 0.0808 0.0000
500 0.5502 nan 0.0808 -0.0000
520 0.5485 nan 0.0808 -0.0001
540 0.5476 nan 0.0808 -0.0001
560 0.5464 nan 0.0808 -0.0001
580 0.5454 nan 0.0808 -0.0001
600 0.5441 nan 0.0808 -0.0001
620 0.5430 nan 0.0808 -0.0000
640 0.5419 nan 0.0808 -0.0000
660 0.5409 nan 0.0808 -0.0001
680 0.5397 nan 0.0808 -0.0000
700 0.5387 nan 0.0808 -0.0001
720 0.5377 nan 0.0808 -0.0001
723 0.5376 nan 0.0808 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0492 nan 0.0838 0.0251
2 1.0058 nan 0.0838 0.0210
3 0.9711 nan 0.0838 0.0174
4 0.9427 nan 0.0838 0.0143
5 0.9158 nan 0.0838 0.0136
6 0.8936 nan 0.0838 0.0112
7 0.8722 nan 0.0838 0.0105
8 0.8559 nan 0.0838 0.0079
9 0.8388 nan 0.0838 0.0087
10 0.8235 nan 0.0838 0.0074
20 0.7362 nan 0.0838 0.0028
40 0.6631 nan 0.0838 0.0010
60 0.6356 nan 0.0838 0.0003
80 0.6205 nan 0.0838 0.0000
100 0.6106 nan 0.0838 0.0001
120 0.6042 nan 0.0838 0.0000
123 0.6031 nan 0.0838 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0417 nan 0.0840 0.0301
2 0.9935 nan 0.0840 0.0234
3 0.9549 nan 0.0840 0.0189
4 0.9218 nan 0.0840 0.0161
5 0.8941 nan 0.0840 0.0136
6 0.8709 nan 0.0840 0.0116
7 0.8502 nan 0.0840 0.0102
8 0.8325 nan 0.0840 0.0087
9 0.8170 nan 0.0840 0.0075
10 0.8024 nan 0.0840 0.0069
20 0.7069 nan 0.0840 0.0030
40 0.6395 nan 0.0840 0.0010
60 0.6112 nan 0.0840 0.0004
80 0.5956 nan 0.0840 0.0001
100 0.5858 nan 0.0840 0.0000
120 0.5788 nan 0.0840 0.0001
140 0.5725 nan 0.0840 0.0002
160 0.5671 nan 0.0840 -0.0000
180 0.5624 nan 0.0840 -0.0000
200 0.5578 nan 0.0840 -0.0001
220 0.5545 nan 0.0840 -0.0001
240 0.5511 nan 0.0840 -0.0000
260 0.5480 nan 0.0840 -0.0000
280 0.5455 nan 0.0840 -0.0001
300 0.5432 nan 0.0840 -0.0001
320 0.5409 nan 0.0840 -0.0001
340 0.5385 nan 0.0840 -0.0000
360 0.5363 nan 0.0840 -0.0001
380 0.5344 nan 0.0840 -0.0000
400 0.5324 nan 0.0840 -0.0001
420 0.5306 nan 0.0840 -0.0001
440 0.5288 nan 0.0840 -0.0001
460 0.5268 nan 0.0840 -0.0001
480 0.5252 nan 0.0840 -0.0001
500 0.5236 nan 0.0840 -0.0001
520 0.5217 nan 0.0840 -0.0001
540 0.5200 nan 0.0840 -0.0001
560 0.5181 nan 0.0840 -0.0001
580 0.5166 nan 0.0840 -0.0001
600 0.5151 nan 0.0840 -0.0000
620 0.5135 nan 0.0840 -0.0001
640 0.5118 nan 0.0840 -0.0001
660 0.5102 nan 0.0840 -0.0001
680 0.5086 nan 0.0840 -0.0001
700 0.5073 nan 0.0840 -0.0001
720 0.5061 nan 0.0840 -0.0001
740 0.5044 nan 0.0840 -0.0001
760 0.5030 nan 0.0840 -0.0001
780 0.5015 nan 0.0840 -0.0001
800 0.5001 nan 0.0840 -0.0001
820 0.4987 nan 0.0840 -0.0001
840 0.4974 nan 0.0840 -0.0001
860 0.4962 nan 0.0840 -0.0001
880 0.4952 nan 0.0840 -0.0001
900 0.4940 nan 0.0840 -0.0001
920 0.4925 nan 0.0840 -0.0000
939 0.4915 nan 0.0840 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0407 nan 0.0873 0.0295
2 0.9949 nan 0.0873 0.0226
3 0.9557 nan 0.0873 0.0196
4 0.9242 nan 0.0873 0.0159
5 0.8977 nan 0.0873 0.0132
6 0.8748 nan 0.0873 0.0111
7 0.8550 nan 0.0873 0.0097
8 0.8383 nan 0.0873 0.0083
9 0.8235 nan 0.0873 0.0073
10 0.8075 nan 0.0873 0.0078
20 0.7163 nan 0.0873 0.0025
40 0.6458 nan 0.0873 0.0010
60 0.6179 nan 0.0873 0.0003
80 0.6003 nan 0.0873 -0.0000
100 0.5907 nan 0.0873 0.0002
120 0.5848 nan 0.0873 -0.0000
140 0.5781 nan 0.0873 -0.0000
160 0.5731 nan 0.0873 0.0001
180 0.5673 nan 0.0873 -0.0001
200 0.5638 nan 0.0873 -0.0000
220 0.5588 nan 0.0873 -0.0000
240 0.5553 nan 0.0873 -0.0001
260 0.5522 nan 0.0873 -0.0000
280 0.5488 nan 0.0873 -0.0000
300 0.5460 nan 0.0873 -0.0000
320 0.5436 nan 0.0873 -0.0001
340 0.5406 nan 0.0873 -0.0000
360 0.5377 nan 0.0873 -0.0000
380 0.5347 nan 0.0873 -0.0001
400 0.5326 nan 0.0873 -0.0001
420 0.5301 nan 0.0873 -0.0000
440 0.5278 nan 0.0873 -0.0000
442 0.5276 nan 0.0873 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0535 nan 0.0888 0.0237
2 1.0152 nan 0.0888 0.0187
3 0.9834 nan 0.0888 0.0160
4 0.9515 nan 0.0888 0.0157
5 0.9274 nan 0.0888 0.0117
6 0.9035 nan 0.0888 0.0121
7 0.8836 nan 0.0888 0.0096
8 0.8691 nan 0.0888 0.0071
9 0.8551 nan 0.0888 0.0070
10 0.8405 nan 0.0888 0.0072
20 0.7579 nan 0.0888 0.0023
40 0.6806 nan 0.0888 0.0014
60 0.6490 nan 0.0888 0.0002
80 0.6323 nan 0.0888 0.0002
100 0.6210 nan 0.0888 0.0001
120 0.6135 nan 0.0888 0.0000
140 0.6071 nan 0.0888 0.0000
160 0.6024 nan 0.0888 0.0000
180 0.5980 nan 0.0888 0.0000
200 0.5945 nan 0.0888 0.0000
220 0.5914 nan 0.0888 0.0001
240 0.5888 nan 0.0888 -0.0000
260 0.5865 nan 0.0888 0.0000
280 0.5844 nan 0.0888 -0.0000
300 0.5828 nan 0.0888 -0.0000
320 0.5810 nan 0.0888 0.0000
340 0.5791 nan 0.0888 -0.0000
346 0.5785 nan 0.0888 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0391 nan 0.0896 0.0302
2 0.9913 nan 0.0896 0.0233
3 0.9530 nan 0.0896 0.0188
4 0.9208 nan 0.0896 0.0159
5 0.8948 nan 0.0896 0.0134
6 0.8713 nan 0.0896 0.0115
7 0.8514 nan 0.0896 0.0101
8 0.8348 nan 0.0896 0.0084
9 0.8185 nan 0.0896 0.0082
10 0.8057 nan 0.0896 0.0065
20 0.7107 nan 0.0896 0.0032
40 0.6427 nan 0.0896 0.0010
60 0.6149 nan 0.0896 0.0003
80 0.6000 nan 0.0896 0.0001
100 0.5904 nan 0.0896 0.0001
120 0.5828 nan 0.0896 -0.0000
140 0.5761 nan 0.0896 0.0000
160 0.5716 nan 0.0896 0.0001
180 0.5668 nan 0.0896 -0.0000
200 0.5637 nan 0.0896 -0.0000
220 0.5601 nan 0.0896 0.0003
240 0.5566 nan 0.0896 -0.0001
256 0.5546 nan 0.0896 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0393 nan 0.0902 0.0311
2 0.9929 nan 0.0902 0.0238
3 0.9533 nan 0.0902 0.0197
4 0.9207 nan 0.0902 0.0163
5 0.8929 nan 0.0902 0.0137
6 0.8695 nan 0.0902 0.0114
7 0.8500 nan 0.0902 0.0099
8 0.8335 nan 0.0902 0.0081
9 0.8190 nan 0.0902 0.0070
10 0.8034 nan 0.0902 0.0079
20 0.7092 nan 0.0902 0.0036
40 0.6426 nan 0.0902 0.0007
60 0.6190 nan 0.0902 0.0005
80 0.6057 nan 0.0902 0.0001
100 0.5971 nan 0.0902 -0.0000
120 0.5909 nan 0.0902 -0.0000
140 0.5852 nan 0.0902 -0.0000
160 0.5806 nan 0.0902 -0.0001
180 0.5771 nan 0.0902 -0.0001
200 0.5736 nan 0.0902 -0.0000
220 0.5704 nan 0.0902 -0.0001
240 0.5677 nan 0.0902 -0.0001
260 0.5644 nan 0.0902 0.0000
280 0.5620 nan 0.0902 -0.0001
300 0.5602 nan 0.0902 -0.0001
320 0.5581 nan 0.0902 -0.0001
340 0.5559 nan 0.0902 0.0001
360 0.5535 nan 0.0902 0.0000
380 0.5516 nan 0.0902 -0.0001
400 0.5488 nan 0.0902 -0.0001
420 0.5469 nan 0.0902 0.0000
440 0.5453 nan 0.0902 -0.0001
460 0.5437 nan 0.0902 -0.0000
480 0.5426 nan 0.0902 -0.0001
500 0.5410 nan 0.0902 -0.0001
520 0.5398 nan 0.0902 -0.0001
540 0.5386 nan 0.0902 -0.0001
560 0.5372 nan 0.0902 -0.0001
580 0.5362 nan 0.0902 -0.0001
600 0.5346 nan 0.0902 -0.0001
620 0.5337 nan 0.0902 -0.0001
640 0.5327 nan 0.0902 -0.0001
648 0.5325 nan 0.0902 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0409 nan 0.0960 0.0293
2 0.9956 nan 0.0960 0.0225
3 0.9556 nan 0.0960 0.0196
4 0.9244 nan 0.0960 0.0152
5 0.8945 nan 0.0960 0.0150
6 0.8728 nan 0.0960 0.0107
7 0.8532 nan 0.0960 0.0098
8 0.8341 nan 0.0960 0.0092
9 0.8173 nan 0.0960 0.0085
10 0.8022 nan 0.0960 0.0074
20 0.7174 nan 0.0960 0.0025
40 0.6510 nan 0.0960 0.0009
60 0.6244 nan 0.0960 0.0002
80 0.6093 nan 0.0960 0.0001
100 0.5997 nan 0.0960 -0.0001
120 0.5924 nan 0.0960 0.0000
140 0.5858 nan 0.0960 0.0000
160 0.5817 nan 0.0960 0.0000
180 0.5769 nan 0.0960 -0.0000
200 0.5728 nan 0.0960 -0.0001
220 0.5700 nan 0.0960 0.0000
240 0.5672 nan 0.0960 -0.0001
260 0.5638 nan 0.0960 -0.0001
280 0.5605 nan 0.0960 -0.0001
300 0.5586 nan 0.0960 -0.0001
320 0.5563 nan 0.0960 -0.0000
340 0.5543 nan 0.0960 -0.0000
360 0.5522 nan 0.0960 -0.0001
380 0.5505 nan 0.0960 -0.0000
400 0.5488 nan 0.0960 -0.0001
420 0.5462 nan 0.0960 -0.0000
440 0.5439 nan 0.0960 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0630 nan 0.0965 0.0185
2 1.0331 nan 0.0965 0.0150
3 1.0088 nan 0.0965 0.0122
4 0.9876 nan 0.0965 0.0108
5 0.9670 nan 0.0965 0.0098
6 0.9521 nan 0.0965 0.0076
7 0.9359 nan 0.0965 0.0079
8 0.9246 nan 0.0965 0.0054
9 0.9093 nan 0.0965 0.0077
10 0.8972 nan 0.0965 0.0060
20 0.8140 nan 0.0965 0.0034
40 0.7345 nan 0.0965 0.0018
60 0.6934 nan 0.0965 0.0007
80 0.6676 nan 0.0965 0.0005
100 0.6530 nan 0.0965 0.0003
120 0.6424 nan 0.0965 0.0001
140 0.6347 nan 0.0965 0.0001
160 0.6285 nan 0.0965 0.0001
180 0.6234 nan 0.0965 -0.0000
200 0.6191 nan 0.0965 0.0002
220 0.6156 nan 0.0965 0.0000
240 0.6125 nan 0.0965 0.0000
260 0.6101 nan 0.0965 0.0000
280 0.6074 nan 0.0965 -0.0000
300 0.6052 nan 0.0965 0.0000
320 0.6030 nan 0.0965 -0.0000
340 0.6017 nan 0.0965 -0.0000
360 0.6000 nan 0.0965 -0.0000
380 0.5985 nan 0.0965 -0.0000
400 0.5972 nan 0.0965 0.0000
420 0.5959 nan 0.0965 -0.0000
440 0.5947 nan 0.0965 -0.0001
460 0.5939 nan 0.0965 -0.0000
480 0.5931 nan 0.0965 -0.0000
500 0.5920 nan 0.0965 0.0000
520 0.5911 nan 0.0965 -0.0000
540 0.5902 nan 0.0965 -0.0000
560 0.5896 nan 0.0965 -0.0000
580 0.5891 nan 0.0965 -0.0000
600 0.5885 nan 0.0965 -0.0000
620 0.5878 nan 0.0965 -0.0000
640 0.5872 nan 0.0965 -0.0001
660 0.5866 nan 0.0965 -0.0000
680 0.5863 nan 0.0965 -0.0000
700 0.5857 nan 0.0965 -0.0000
720 0.5851 nan 0.0965 -0.0000
740 0.5846 nan 0.0965 -0.0001
759 0.5840 nan 0.0965 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0409 nan 0.0983 0.0299
2 0.9933 nan 0.0983 0.0234
3 0.9526 nan 0.0983 0.0199
4 0.9208 nan 0.0983 0.0157
5 0.8937 nan 0.0983 0.0134
6 0.8685 nan 0.0983 0.0126
7 0.8467 nan 0.0983 0.0108
8 0.8307 nan 0.0983 0.0079
9 0.8148 nan 0.0983 0.0080
10 0.8021 nan 0.0983 0.0063
20 0.7197 nan 0.0983 0.0023
40 0.6517 nan 0.0983 0.0008
60 0.6253 nan 0.0983 0.0002
80 0.6103 nan 0.0983 0.0001
100 0.6006 nan 0.0983 0.0000
120 0.5927 nan 0.0983 0.0000
140 0.5875 nan 0.0983 0.0000
160 0.5834 nan 0.0983 -0.0001
180 0.5791 nan 0.0983 0.0000
200 0.5752 nan 0.0983 -0.0000
220 0.5717 nan 0.0983 -0.0001
240 0.5679 nan 0.0983 0.0003
260 0.5653 nan 0.0983 0.0001
280 0.5623 nan 0.0983 -0.0001
300 0.5592 nan 0.0983 -0.0001
320 0.5571 nan 0.0983 0.0000
336 0.5555 nan 0.0983 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0625 nan 0.1014 0.0194
2 1.0318 nan 0.1014 0.0156
3 1.0058 nan 0.1014 0.0127
4 0.9838 nan 0.1014 0.0107
5 0.9675 nan 0.1014 0.0084
6 0.9474 nan 0.1014 0.0098
7 0.9358 nan 0.1014 0.0058
8 0.9196 nan 0.1014 0.0080
9 0.9036 nan 0.1014 0.0077
10 0.8905 nan 0.1014 0.0064
20 0.8098 nan 0.1014 0.0025
40 0.7282 nan 0.1014 0.0010
60 0.6877 nan 0.1014 0.0008
80 0.6649 nan 0.1014 0.0003
100 0.6482 nan 0.1014 0.0003
120 0.6385 nan 0.1014 0.0001
140 0.6318 nan 0.1014 -0.0000
160 0.6258 nan 0.1014 0.0000
180 0.6219 nan 0.1014 -0.0000
200 0.6178 nan 0.1014 0.0002
220 0.6146 nan 0.1014 0.0000
240 0.6120 nan 0.1014 -0.0000
260 0.6094 nan 0.1014 0.0000
280 0.6073 nan 0.1014 -0.0000
300 0.6055 nan 0.1014 -0.0000
320 0.6041 nan 0.1014 0.0000
340 0.6025 nan 0.1014 -0.0000
360 0.6012 nan 0.1014 0.0000
380 0.6002 nan 0.1014 -0.0000
400 0.5992 nan 0.1014 0.0000
420 0.5983 nan 0.1014 -0.0000
440 0.5973 nan 0.1014 0.0000
460 0.5966 nan 0.1014 -0.0000
480 0.5957 nan 0.1014 -0.0001
500 0.5948 nan 0.1014 -0.0000
520 0.5938 nan 0.1014 -0.0001
540 0.5932 nan 0.1014 -0.0000
560 0.5927 nan 0.1014 -0.0000
580 0.5922 nan 0.1014 -0.0000
600 0.5917 nan 0.1014 -0.0000
620 0.5909 nan 0.1014 -0.0000
640 0.5904 nan 0.1014 -0.0000
660 0.5900 nan 0.1014 0.0000
680 0.5894 nan 0.1014 -0.0000
700 0.5890 nan 0.1014 -0.0000
720 0.5886 nan 0.1014 -0.0000
740 0.5882 nan 0.1014 -0.0000
760 0.5880 nan 0.1014 -0.0000
780 0.5875 nan 0.1014 -0.0000
800 0.5872 nan 0.1014 -0.0001
820 0.5867 nan 0.1014 -0.0000
840 0.5864 nan 0.1014 -0.0000
860 0.5862 nan 0.1014 -0.0001
880 0.5858 nan 0.1014 -0.0000
896 0.5856 nan 0.1014 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0386 nan 0.1018 0.0310
2 0.9918 nan 0.1018 0.0237
3 0.9527 nan 0.1018 0.0196
4 0.9196 nan 0.1018 0.0162
5 0.8909 nan 0.1018 0.0141
6 0.8690 nan 0.1018 0.0112
7 0.8464 nan 0.1018 0.0111
8 0.8278 nan 0.1018 0.0091
9 0.8108 nan 0.1018 0.0081
10 0.7971 nan 0.1018 0.0066
20 0.7118 nan 0.1018 0.0029
40 0.6472 nan 0.1018 0.0009
60 0.6218 nan 0.1018 0.0002
80 0.6086 nan 0.1018 0.0000
100 0.5983 nan 0.1018 0.0003
120 0.5923 nan 0.1018 0.0001
140 0.5869 nan 0.1018 0.0001
160 0.5826 nan 0.1018 -0.0000
180 0.5790 nan 0.1018 -0.0000
200 0.5755 nan 0.1018 -0.0000
220 0.5717 nan 0.1018 -0.0001
240 0.5688 nan 0.1018 -0.0000
260 0.5666 nan 0.1018 -0.0000
280 0.5644 nan 0.1018 -0.0001
300 0.5622 nan 0.1018 -0.0000
302 0.5620 nan 0.1018 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0457 nan 0.1024 0.0273
2 1.0048 nan 0.1024 0.0206
3 0.9700 nan 0.1024 0.0176
4 0.9359 nan 0.1024 0.0172
5 0.9077 nan 0.1024 0.0137
6 0.8845 nan 0.1024 0.0113
7 0.8676 nan 0.1024 0.0080
8 0.8503 nan 0.1024 0.0085
9 0.8380 nan 0.1024 0.0060
10 0.8247 nan 0.1024 0.0065
20 0.7415 nan 0.1024 0.0030
40 0.6701 nan 0.1024 0.0010
60 0.6424 nan 0.1024 0.0002
80 0.6258 nan 0.1024 0.0001
100 0.6155 nan 0.1024 0.0000
120 0.6090 nan 0.1024 0.0001
140 0.6021 nan 0.1024 0.0001
160 0.5972 nan 0.1024 0.0001
180 0.5933 nan 0.1024 -0.0000
200 0.5891 nan 0.1024 0.0001
220 0.5862 nan 0.1024 -0.0001
240 0.5831 nan 0.1024 0.0000
260 0.5805 nan 0.1024 -0.0000
280 0.5781 nan 0.1024 0.0000
300 0.5753 nan 0.1024 0.0002
320 0.5731 nan 0.1024 -0.0000
340 0.5716 nan 0.1024 -0.0000
360 0.5698 nan 0.1024 -0.0000
380 0.5679 nan 0.1024 -0.0001
400 0.5666 nan 0.1024 -0.0000
420 0.5647 nan 0.1024 -0.0000
440 0.5629 nan 0.1024 -0.0000
460 0.5618 nan 0.1024 0.0000
480 0.5608 nan 0.1024 -0.0000
500 0.5590 nan 0.1024 0.0002
520 0.5577 nan 0.1024 -0.0000
540 0.5567 nan 0.1024 -0.0001
560 0.5554 nan 0.1024 -0.0001
580 0.5546 nan 0.1024 -0.0001
600 0.5535 nan 0.1024 -0.0000
620 0.5526 nan 0.1024 -0.0000
640 0.5513 nan 0.1024 0.0001
660 0.5499 nan 0.1024 -0.0001
680 0.5490 nan 0.1024 -0.0001
700 0.5482 nan 0.1024 -0.0000
720 0.5473 nan 0.1024 -0.0000
740 0.5461 nan 0.1024 -0.0001
760 0.5453 nan 0.1024 -0.0000
780 0.5445 nan 0.1024 -0.0001
800 0.5439 nan 0.1024 -0.0001
820 0.5430 nan 0.1024 -0.0001
840 0.5420 nan 0.1024 -0.0000
851 0.5417 nan 0.1024 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0378 nan 0.1035 0.0310
2 0.9872 nan 0.1035 0.0249
3 0.9478 nan 0.1035 0.0192
4 0.9162 nan 0.1035 0.0154
5 0.8878 nan 0.1035 0.0139
6 0.8642 nan 0.1035 0.0116
7 0.8449 nan 0.1035 0.0098
8 0.8245 nan 0.1035 0.0099
9 0.8101 nan 0.1035 0.0070
10 0.7966 nan 0.1035 0.0066
20 0.7107 nan 0.1035 0.0033
40 0.6451 nan 0.1035 0.0009
60 0.6211 nan 0.1035 0.0002
80 0.6074 nan 0.1035 0.0002
100 0.5965 nan 0.1035 0.0001
120 0.5899 nan 0.1035 0.0002
140 0.5844 nan 0.1035 0.0000
160 0.5795 nan 0.1035 -0.0001
180 0.5746 nan 0.1035 0.0001
190 0.5729 nan 0.1035 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0375 nan 0.1036 0.0308
2 0.9882 nan 0.1036 0.0240
3 0.9469 nan 0.1036 0.0211
4 0.9149 nan 0.1036 0.0163
5 0.8875 nan 0.1036 0.0138
6 0.8661 nan 0.1036 0.0107
7 0.8436 nan 0.1036 0.0111
8 0.8248 nan 0.1036 0.0095
9 0.8083 nan 0.1036 0.0080
10 0.7982 nan 0.1036 0.0049
20 0.7151 nan 0.1036 0.0026
40 0.6460 nan 0.1036 0.0011
60 0.6212 nan 0.1036 0.0002
80 0.6066 nan 0.1036 0.0003
100 0.5968 nan 0.1036 0.0001
120 0.5893 nan 0.1036 0.0001
140 0.5843 nan 0.1036 0.0000
160 0.5790 nan 0.1036 0.0000
180 0.5751 nan 0.1036 -0.0000
200 0.5717 nan 0.1036 -0.0001
220 0.5689 nan 0.1036 -0.0000
240 0.5666 nan 0.1036 -0.0001
260 0.5638 nan 0.1036 0.0000
280 0.5612 nan 0.1036 0.0002
300 0.5584 nan 0.1036 -0.0000
320 0.5559 nan 0.1036 -0.0001
340 0.5541 nan 0.1036 -0.0000
360 0.5525 nan 0.1036 -0.0001
380 0.5506 nan 0.1036 -0.0001
400 0.5488 nan 0.1036 -0.0001
420 0.5473 nan 0.1036 -0.0001
440 0.5453 nan 0.1036 -0.0001
460 0.5441 nan 0.1036 -0.0000
480 0.5430 nan 0.1036 -0.0001
500 0.5418 nan 0.1036 -0.0000
520 0.5404 nan 0.1036 -0.0001
540 0.5383 nan 0.1036 -0.0001
560 0.5366 nan 0.1036 -0.0001
580 0.5354 nan 0.1036 -0.0000
600 0.5339 nan 0.1036 -0.0001
620 0.5328 nan 0.1036 -0.0001
640 0.5320 nan 0.1036 -0.0001
660 0.5312 nan 0.1036 -0.0001
677 0.5302 nan 0.1036 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0280 nan 0.1079 0.0365
2 0.9748 nan 0.1079 0.0265
3 0.9321 nan 0.1079 0.0213
4 0.8985 nan 0.1079 0.0169
5 0.8711 nan 0.1079 0.0139
6 0.8463 nan 0.1079 0.0123
7 0.8267 nan 0.1079 0.0100
8 0.8072 nan 0.1079 0.0096
9 0.7912 nan 0.1079 0.0077
10 0.7759 nan 0.1079 0.0076
20 0.6890 nan 0.1079 0.0027
40 0.6310 nan 0.1079 0.0004
60 0.6082 nan 0.1079 0.0002
80 0.5946 nan 0.1079 0.0001
100 0.5858 nan 0.1079 0.0000
120 0.5793 nan 0.1079 0.0000
140 0.5738 nan 0.1079 -0.0001
160 0.5687 nan 0.1079 -0.0000
180 0.5644 nan 0.1079 0.0001
200 0.5611 nan 0.1079 -0.0001
220 0.5575 nan 0.1079 -0.0001
240 0.5546 nan 0.1079 -0.0001
260 0.5515 nan 0.1079 0.0002
280 0.5489 nan 0.1079 -0.0001
300 0.5460 nan 0.1079 0.0003
320 0.5440 nan 0.1079 -0.0001
340 0.5419 nan 0.1079 -0.0001
360 0.5397 nan 0.1079 -0.0001
380 0.5377 nan 0.1079 -0.0002
400 0.5355 nan 0.1079 -0.0000
419 0.5336 nan 0.1079 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0344 nan 0.1099 0.0332
2 0.9847 nan 0.1099 0.0250
3 0.9437 nan 0.1099 0.0211
4 0.9096 nan 0.1099 0.0169
5 0.8781 nan 0.1099 0.0158
6 0.8562 nan 0.1099 0.0110
7 0.8370 nan 0.1099 0.0094
8 0.8177 nan 0.1099 0.0098
9 0.8035 nan 0.1099 0.0069
10 0.7885 nan 0.1099 0.0075
20 0.7051 nan 0.1099 0.0033
40 0.6433 nan 0.1099 0.0004
60 0.6172 nan 0.1099 0.0007
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0317 nan 0.1114 0.0335
2 0.9787 nan 0.1114 0.0264
3 0.9383 nan 0.1114 0.0199
4 0.9051 nan 0.1114 0.0164
5 0.8755 nan 0.1114 0.0151
6 0.8504 nan 0.1114 0.0127
7 0.8319 nan 0.1114 0.0092
8 0.8117 nan 0.1114 0.0098
9 0.7955 nan 0.1114 0.0079
10 0.7829 nan 0.1114 0.0061
20 0.7036 nan 0.1114 0.0022
40 0.6410 nan 0.1114 0.0009
60 0.6192 nan 0.1114 0.0003
80 0.6074 nan 0.1114 0.0004
100 0.5994 nan 0.1114 0.0002
120 0.5930 nan 0.1114 -0.0000
140 0.5881 nan 0.1114 0.0001
160 0.5842 nan 0.1114 -0.0000
180 0.5797 nan 0.1114 0.0002
200 0.5763 nan 0.1114 -0.0001
220 0.5737 nan 0.1114 -0.0001
240 0.5713 nan 0.1114 -0.0000
260 0.5682 nan 0.1114 -0.0001
280 0.5665 nan 0.1114 -0.0001
300 0.5645 nan 0.1114 0.0001
320 0.5618 nan 0.1114 -0.0001
340 0.5595 nan 0.1114 0.0002
360 0.5582 nan 0.1114 -0.0000
380 0.5562 nan 0.1114 0.0000
400 0.5544 nan 0.1114 -0.0000
420 0.5524 nan 0.1114 -0.0001
440 0.5510 nan 0.1114 -0.0001
460 0.5498 nan 0.1114 -0.0001
480 0.5482 nan 0.1114 -0.0002
500 0.5469 nan 0.1114 -0.0001
520 0.5458 nan 0.1114 -0.0001
540 0.5446 nan 0.1114 -0.0001
560 0.5433 nan 0.1114 -0.0001
580 0.5422 nan 0.1114 -0.0001
600 0.5411 nan 0.1114 -0.0001
620 0.5400 nan 0.1114 -0.0000
640 0.5389 nan 0.1114 -0.0000
660 0.5382 nan 0.1114 -0.0001
680 0.5369 nan 0.1114 0.0000
685 0.5366 nan 0.1114 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0579 nan 0.1122 0.0213
2 1.0251 nan 0.1122 0.0167
3 0.9993 nan 0.1122 0.0125
4 0.9736 nan 0.1122 0.0129
5 0.9573 nan 0.1122 0.0081
6 0.9371 nan 0.1122 0.0101
7 0.9186 nan 0.1122 0.0090
8 0.9021 nan 0.1122 0.0080
9 0.8915 nan 0.1122 0.0054
10 0.8787 nan 0.1122 0.0065
20 0.7966 nan 0.1122 0.0024
40 0.7188 nan 0.1122 0.0010
60 0.6805 nan 0.1122 0.0004
80 0.6576 nan 0.1122 0.0006
100 0.6434 nan 0.1122 0.0003
120 0.6340 nan 0.1122 0.0002
140 0.6273 nan 0.1122 0.0001
160 0.6217 nan 0.1122 0.0000
180 0.6175 nan 0.1122 0.0000
200 0.6135 nan 0.1122 -0.0000
220 0.6104 nan 0.1122 0.0000
240 0.6073 nan 0.1122 0.0000
260 0.6052 nan 0.1122 -0.0000
280 0.6030 nan 0.1122 -0.0000
300 0.6010 nan 0.1122 0.0000
320 0.5992 nan 0.1122 -0.0000
340 0.5976 nan 0.1122 -0.0000
360 0.5965 nan 0.1122 -0.0001
380 0.5951 nan 0.1122 -0.0000
400 0.5940 nan 0.1122 0.0000
420 0.5926 nan 0.1122 0.0000
440 0.5919 nan 0.1122 -0.0000
460 0.5910 nan 0.1122 -0.0000
480 0.5899 nan 0.1122 0.0000
500 0.5886 nan 0.1122 -0.0000
520 0.5880 nan 0.1122 -0.0001
540 0.5876 nan 0.1122 -0.0000
560 0.5870 nan 0.1122 -0.0001
580 0.5862 nan 0.1122 -0.0001
600 0.5857 nan 0.1122 -0.0001
615 0.5853 nan 0.1122 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0365 nan 0.1211 0.0316
2 0.9889 nan 0.1211 0.0243
3 0.9517 nan 0.1211 0.0183
4 0.9151 nan 0.1211 0.0187
5 0.8862 nan 0.1211 0.0144
6 0.8650 nan 0.1211 0.0105
7 0.8458 nan 0.1211 0.0097
8 0.8312 nan 0.1211 0.0074
9 0.8166 nan 0.1211 0.0072
10 0.8017 nan 0.1211 0.0072
20 0.7213 nan 0.1211 0.0030
40 0.6576 nan 0.1211 0.0011
60 0.6329 nan 0.1211 0.0002
80 0.6196 nan 0.1211 0.0002
100 0.6104 nan 0.1211 0.0004
120 0.6032 nan 0.1211 -0.0000
140 0.5981 nan 0.1211 0.0002
160 0.5938 nan 0.1211 0.0001
180 0.5897 nan 0.1211 -0.0001
200 0.5869 nan 0.1211 -0.0000
220 0.5841 nan 0.1211 -0.0000
240 0.5817 nan 0.1211 -0.0001
260 0.5795 nan 0.1211 -0.0001
280 0.5774 nan 0.1211 -0.0000
300 0.5754 nan 0.1211 -0.0000
320 0.5738 nan 0.1211 -0.0001
340 0.5725 nan 0.1211 0.0000
360 0.5708 nan 0.1211 -0.0000
380 0.5691 nan 0.1211 0.0000
400 0.5677 nan 0.1211 -0.0001
420 0.5663 nan 0.1211 -0.0001
440 0.5651 nan 0.1211 -0.0000
460 0.5631 nan 0.1211 -0.0000
480 0.5620 nan 0.1211 -0.0001
500 0.5612 nan 0.1211 -0.0000
520 0.5598 nan 0.1211 -0.0001
540 0.5587 nan 0.1211 -0.0000
560 0.5578 nan 0.1211 -0.0002
580 0.5567 nan 0.1211 -0.0001
600 0.5557 nan 0.1211 -0.0000
620 0.5549 nan 0.1211 -0.0001
640 0.5540 nan 0.1211 -0.0000
660 0.5529 nan 0.1211 -0.0001
680 0.5522 nan 0.1211 -0.0001
700 0.5512 nan 0.1211 -0.0000
720 0.5507 nan 0.1211 -0.0001
740 0.5499 nan 0.1211 -0.0001
760 0.5492 nan 0.1211 -0.0001
780 0.5484 nan 0.1211 -0.0001
800 0.5479 nan 0.1211 -0.0001
820 0.5471 nan 0.1211 -0.0001
840 0.5466 nan 0.1211 -0.0000
848 0.5464 nan 0.1211 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0119 nan 0.1273 0.0444
2 0.9516 nan 0.1273 0.0305
3 0.9050 nan 0.1273 0.0232
4 0.8696 nan 0.1273 0.0177
5 0.8396 nan 0.1273 0.0153
6 0.8162 nan 0.1273 0.0114
7 0.7955 nan 0.1273 0.0101
8 0.7773 nan 0.1273 0.0089
9 0.7605 nan 0.1273 0.0080
10 0.7444 nan 0.1273 0.0080
20 0.6601 nan 0.1273 0.0018
40 0.6110 nan 0.1273 0.0009
60 0.5914 nan 0.1273 0.0005
80 0.5799 nan 0.1273 -0.0000
100 0.5723 nan 0.1273 0.0000
120 0.5656 nan 0.1273 -0.0000
140 0.5607 nan 0.1273 -0.0000
160 0.5563 nan 0.1273 -0.0001
180 0.5524 nan 0.1273 -0.0000
200 0.5492 nan 0.1273 -0.0001
220 0.5458 nan 0.1273 -0.0001
240 0.5421 nan 0.1273 -0.0001
260 0.5396 nan 0.1273 -0.0001
280 0.5360 nan 0.1273 -0.0002
300 0.5332 nan 0.1273 -0.0001
320 0.5309 nan 0.1273 -0.0002
340 0.5281 nan 0.1273 -0.0001
360 0.5259 nan 0.1273 -0.0001
380 0.5235 nan 0.1273 -0.0001
400 0.5211 nan 0.1273 -0.0000
420 0.5193 nan 0.1273 -0.0001
440 0.5174 nan 0.1273 -0.0002
460 0.5155 nan 0.1273 0.0000
480 0.5131 nan 0.1273 -0.0001
500 0.5112 nan 0.1273 -0.0002
520 0.5097 nan 0.1273 -0.0001
540 0.5083 nan 0.1273 -0.0001
560 0.5066 nan 0.1273 -0.0001
580 0.5041 nan 0.1273 -0.0001
600 0.5028 nan 0.1273 -0.0001
620 0.5010 nan 0.1273 -0.0002
638 0.4994 nan 0.1273 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0240 nan 0.1282 0.0378
2 0.9687 nan 0.1282 0.0274
3 0.9228 nan 0.1282 0.0237
4 0.8886 nan 0.1282 0.0173
5 0.8593 nan 0.1282 0.0144
6 0.8336 nan 0.1282 0.0131
7 0.8168 nan 0.1282 0.0083
8 0.7996 nan 0.1282 0.0088
9 0.7850 nan 0.1282 0.0071
10 0.7709 nan 0.1282 0.0069
20 0.6890 nan 0.1282 0.0028
40 0.6322 nan 0.1282 0.0005
60 0.6103 nan 0.1282 0.0005
80 0.5977 nan 0.1282 0.0003
100 0.5901 nan 0.1282 -0.0001
120 0.5834 nan 0.1282 -0.0000
140 0.5784 nan 0.1282 -0.0001
156 0.5762 nan 0.1282 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0139 nan 0.1284 0.0426
2 0.9550 nan 0.1284 0.0298
3 0.9107 nan 0.1284 0.0217
4 0.8736 nan 0.1284 0.0182
5 0.8435 nan 0.1284 0.0145
6 0.8198 nan 0.1284 0.0118
7 0.7977 nan 0.1284 0.0108
8 0.7818 nan 0.1284 0.0079
9 0.7646 nan 0.1284 0.0085
10 0.7527 nan 0.1284 0.0057
20 0.6708 nan 0.1284 0.0026
40 0.6206 nan 0.1284 0.0004
60 0.6019 nan 0.1284 0.0003
80 0.5903 nan 0.1284 0.0002
100 0.5821 nan 0.1284 -0.0000
120 0.5751 nan 0.1284 0.0000
140 0.5699 nan 0.1284 0.0000
160 0.5657 nan 0.1284 -0.0001
180 0.5614 nan 0.1284 0.0000
200 0.5587 nan 0.1284 -0.0000
220 0.5554 nan 0.1284 0.0000
240 0.5525 nan 0.1284 -0.0001
260 0.5494 nan 0.1284 -0.0001
280 0.5471 nan 0.1284 -0.0001
300 0.5445 nan 0.1284 -0.0001
320 0.5411 nan 0.1284 0.0001
340 0.5394 nan 0.1284 -0.0000
360 0.5377 nan 0.1284 -0.0001
380 0.5361 nan 0.1284 -0.0001
400 0.5344 nan 0.1284 -0.0001
420 0.5323 nan 0.1284 -0.0001
440 0.5308 nan 0.1284 -0.0002
460 0.5294 nan 0.1284 -0.0001
480 0.5277 nan 0.1284 -0.0001
500 0.5259 nan 0.1284 -0.0001
520 0.5243 nan 0.1284 -0.0002
540 0.5230 nan 0.1284 -0.0002
560 0.5210 nan 0.1284 -0.0001
580 0.5195 nan 0.1284 -0.0001
600 0.5180 nan 0.1284 -0.0001
620 0.5168 nan 0.1284 -0.0001
640 0.5157 nan 0.1284 -0.0001
660 0.5147 nan 0.1284 -0.0001
680 0.5135 nan 0.1284 -0.0001
700 0.5123 nan 0.1284 -0.0001
720 0.5113 nan 0.1284 -0.0001
740 0.5104 nan 0.1284 -0.0001
746 0.5099 nan 0.1284 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0099 nan 0.1297 0.0453
2 0.9479 nan 0.1297 0.0304
3 0.9000 nan 0.1297 0.0237
4 0.8635 nan 0.1297 0.0177
5 0.8335 nan 0.1297 0.0145
6 0.8097 nan 0.1297 0.0119
7 0.7888 nan 0.1297 0.0101
8 0.7699 nan 0.1297 0.0092
9 0.7527 nan 0.1297 0.0082
10 0.7384 nan 0.1297 0.0070
20 0.6583 nan 0.1297 0.0027
40 0.6077 nan 0.1297 0.0004
60 0.5852 nan 0.1297 0.0001
80 0.5746 nan 0.1297 -0.0001
100 0.5658 nan 0.1297 0.0001
120 0.5580 nan 0.1297 0.0000
140 0.5528 nan 0.1297 -0.0001
160 0.5474 nan 0.1297 -0.0001
180 0.5432 nan 0.1297 -0.0001
200 0.5394 nan 0.1297 -0.0002
220 0.5356 nan 0.1297 -0.0001
240 0.5320 nan 0.1297 -0.0000
260 0.5293 nan 0.1297 -0.0001
280 0.5263 nan 0.1297 -0.0001
300 0.5232 nan 0.1297 -0.0002
320 0.5200 nan 0.1297 -0.0001
340 0.5175 nan 0.1297 -0.0001
360 0.5150 nan 0.1297 -0.0001
380 0.5124 nan 0.1297 -0.0002
400 0.5102 nan 0.1297 -0.0000
420 0.5081 nan 0.1297 -0.0001
440 0.5053 nan 0.1297 -0.0002
460 0.5033 nan 0.1297 -0.0002
480 0.5007 nan 0.1297 -0.0002
500 0.4983 nan 0.1297 -0.0002
509 0.4975 nan 0.1297 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0316 nan 0.1319 0.0346
2 0.9814 nan 0.1319 0.0251
3 0.9426 nan 0.1319 0.0194
4 0.9050 nan 0.1319 0.0190
5 0.8748 nan 0.1319 0.0148
6 0.8551 nan 0.1319 0.0098
7 0.8343 nan 0.1319 0.0102
8 0.8179 nan 0.1319 0.0080
9 0.8057 nan 0.1319 0.0060
10 0.7924 nan 0.1319 0.0065
20 0.7126 nan 0.1319 0.0020
40 0.6496 nan 0.1319 0.0007
60 0.6270 nan 0.1319 0.0006
80 0.6152 nan 0.1319 0.0000
100 0.6081 nan 0.1319 -0.0001
120 0.6016 nan 0.1319 -0.0001
140 0.5956 nan 0.1319 -0.0000
160 0.5922 nan 0.1319 -0.0000
180 0.5894 nan 0.1319 -0.0000
200 0.5866 nan 0.1319 0.0001
220 0.5841 nan 0.1319 -0.0000
240 0.5814 nan 0.1319 -0.0001
260 0.5793 nan 0.1319 0.0000
280 0.5777 nan 0.1319 -0.0000
300 0.5756 nan 0.1319 -0.0001
320 0.5739 nan 0.1319 0.0000
340 0.5721 nan 0.1319 -0.0001
360 0.5702 nan 0.1319 0.0001
380 0.5684 nan 0.1319 -0.0001
400 0.5668 nan 0.1319 -0.0000
420 0.5650 nan 0.1319 -0.0001
440 0.5636 nan 0.1319 -0.0000
460 0.5623 nan 0.1319 -0.0001
480 0.5611 nan 0.1319 -0.0001
500 0.5602 nan 0.1319 -0.0000
520 0.5589 nan 0.1319 -0.0001
540 0.5582 nan 0.1319 -0.0000
560 0.5572 nan 0.1319 -0.0000
580 0.5563 nan 0.1319 -0.0001
600 0.5552 nan 0.1319 -0.0000
620 0.5547 nan 0.1319 -0.0001
640 0.5537 nan 0.1319 -0.0001
660 0.5529 nan 0.1319 -0.0001
680 0.5520 nan 0.1319 -0.0001
700 0.5509 nan 0.1319 0.0000
720 0.5502 nan 0.1319 -0.0001
740 0.5495 nan 0.1319 -0.0001
760 0.5488 nan 0.1319 -0.0001
780 0.5480 nan 0.1319 -0.0001
797 0.5476 nan 0.1319 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0303 nan 0.1323 0.0338
2 0.9816 nan 0.1323 0.0242
3 0.9331 nan 0.1323 0.0247
4 0.8976 nan 0.1323 0.0183
5 0.8718 nan 0.1323 0.0123
6 0.8503 nan 0.1323 0.0109
7 0.8322 nan 0.1323 0.0086
8 0.8136 nan 0.1323 0.0093
9 0.7999 nan 0.1323 0.0070
10 0.7891 nan 0.1323 0.0053
20 0.7081 nan 0.1323 0.0029
40 0.6501 nan 0.1323 0.0007
60 0.6285 nan 0.1323 0.0003
80 0.6143 nan 0.1323 0.0001
100 0.6055 nan 0.1323 -0.0000
120 0.5995 nan 0.1323 0.0000
140 0.5937 nan 0.1323 0.0000
160 0.5902 nan 0.1323 -0.0001
180 0.5856 nan 0.1323 0.0000
200 0.5819 nan 0.1323 0.0001
220 0.5789 nan 0.1323 -0.0000
240 0.5760 nan 0.1323 -0.0000
260 0.5733 nan 0.1323 -0.0001
280 0.5709 nan 0.1323 -0.0001
300 0.5683 nan 0.1323 -0.0001
320 0.5655 nan 0.1323 -0.0001
340 0.5634 nan 0.1323 -0.0001
360 0.5614 nan 0.1323 -0.0001
380 0.5597 nan 0.1323 -0.0000
400 0.5575 nan 0.1323 -0.0001
420 0.5558 nan 0.1323 -0.0001
440 0.5546 nan 0.1323 -0.0001
460 0.5535 nan 0.1323 -0.0000
480 0.5511 nan 0.1323 0.0001
500 0.5500 nan 0.1323 -0.0001
520 0.5487 nan 0.1323 -0.0001
540 0.5476 nan 0.1323 -0.0001
560 0.5462 nan 0.1323 -0.0000
580 0.5453 nan 0.1323 -0.0001
600 0.5441 nan 0.1323 -0.0001
620 0.5430 nan 0.1323 -0.0001
640 0.5417 nan 0.1323 -0.0001
660 0.5403 nan 0.1323 -0.0001
680 0.5393 nan 0.1323 -0.0001
700 0.5380 nan 0.1323 -0.0001
720 0.5369 nan 0.1323 -0.0001
740 0.5358 nan 0.1323 -0.0001
760 0.5348 nan 0.1323 0.0001
780 0.5341 nan 0.1323 0.0000
800 0.5332 nan 0.1323 -0.0000
820 0.5324 nan 0.1323 -0.0001
840 0.5316 nan 0.1323 -0.0001
860 0.5309 nan 0.1323 -0.0001
880 0.5301 nan 0.1323 -0.0001
900 0.5293 nan 0.1323 -0.0001
920 0.5286 nan 0.1323 -0.0001
940 0.5278 nan 0.1323 -0.0001
960 0.5270 nan 0.1323 -0.0001
980 0.5261 nan 0.1323 -0.0001
981 0.5258 nan 0.1323 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0297 nan 0.1371 0.0354
2 0.9772 nan 0.1371 0.0254
3 0.9385 nan 0.1371 0.0198
4 0.8998 nan 0.1371 0.0190
5 0.8712 nan 0.1371 0.0145
6 0.8508 nan 0.1371 0.0104
7 0.8298 nan 0.1371 0.0104
8 0.8157 nan 0.1371 0.0068
9 0.8020 nan 0.1371 0.0067
10 0.7891 nan 0.1371 0.0061
20 0.7063 nan 0.1371 0.0025
40 0.6464 nan 0.1371 0.0009
60 0.6242 nan 0.1371 0.0005
80 0.6112 nan 0.1371 0.0002
100 0.6026 nan 0.1371 0.0001
120 0.5961 nan 0.1371 -0.0000
140 0.5914 nan 0.1371 -0.0000
160 0.5879 nan 0.1371 -0.0000
180 0.5845 nan 0.1371 -0.0001
200 0.5817 nan 0.1371 0.0000
220 0.5775 nan 0.1371 -0.0001
240 0.5741 nan 0.1371 0.0000
260 0.5717 nan 0.1371 0.0000
280 0.5691 nan 0.1371 0.0000
300 0.5669 nan 0.1371 -0.0000
320 0.5653 nan 0.1371 -0.0000
340 0.5624 nan 0.1371 -0.0001
360 0.5611 nan 0.1371 -0.0000
380 0.5588 nan 0.1371 -0.0000
400 0.5572 nan 0.1371 -0.0001
420 0.5556 nan 0.1371 -0.0001
440 0.5543 nan 0.1371 -0.0000
460 0.5529 nan 0.1371 -0.0001
480 0.5515 nan 0.1371 -0.0000
500 0.5496 nan 0.1371 -0.0001
520 0.5484 nan 0.1371 -0.0001
540 0.5475 nan 0.1371 -0.0000
560 0.5460 nan 0.1371 -0.0001
580 0.5452 nan 0.1371 -0.0001
593 0.5443 nan 0.1371 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0090 nan 0.1425 0.0451
2 0.9424 nan 0.1425 0.0330
3 0.8951 nan 0.1425 0.0238
4 0.8588 nan 0.1425 0.0178
5 0.8314 nan 0.1425 0.0136
6 0.8062 nan 0.1425 0.0123
7 0.7881 nan 0.1425 0.0092
8 0.7698 nan 0.1425 0.0089
9 0.7536 nan 0.1425 0.0075
10 0.7374 nan 0.1425 0.0081
20 0.6586 nan 0.1425 0.0020
40 0.6125 nan 0.1425 0.0005
60 0.5916 nan 0.1425 0.0000
80 0.5790 nan 0.1425 0.0000
100 0.5708 nan 0.1425 0.0000
120 0.5651 nan 0.1425 0.0000
140 0.5594 nan 0.1425 -0.0001
160 0.5526 nan 0.1425 -0.0000
180 0.5482 nan 0.1425 0.0003
200 0.5444 nan 0.1425 -0.0001
220 0.5412 nan 0.1425 -0.0002
240 0.5372 nan 0.1425 -0.0001
260 0.5338 nan 0.1425 -0.0001
280 0.5315 nan 0.1425 -0.0002
300 0.5272 nan 0.1425 -0.0001
320 0.5245 nan 0.1425 -0.0001
340 0.5221 nan 0.1425 -0.0001
360 0.5193 nan 0.1425 0.0001
380 0.5167 nan 0.1425 -0.0001
400 0.5138 nan 0.1425 -0.0001
420 0.5117 nan 0.1425 -0.0002
440 0.5086 nan 0.1425 -0.0000
460 0.5069 nan 0.1425 -0.0000
480 0.5052 nan 0.1425 -0.0001
500 0.5030 nan 0.1425 -0.0001
520 0.5012 nan 0.1425 -0.0002
540 0.4996 nan 0.1425 -0.0002
560 0.4977 nan 0.1425 -0.0001
580 0.4954 nan 0.1425 -0.0001
600 0.4935 nan 0.1425 -0.0001
620 0.4917 nan 0.1425 -0.0001
640 0.4903 nan 0.1425 -0.0001
660 0.4889 nan 0.1425 -0.0002
680 0.4875 nan 0.1425 -0.0001
700 0.4856 nan 0.1425 -0.0001
720 0.4838 nan 0.1425 -0.0001
740 0.4822 nan 0.1425 -0.0002
760 0.4808 nan 0.1425 -0.0001
780 0.4793 nan 0.1425 -0.0001
800 0.4781 nan 0.1425 -0.0002
820 0.4764 nan 0.1425 -0.0002
831 0.4753 nan 0.1425 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0027 nan 0.1438 0.0504
2 0.9371 nan 0.1438 0.0325
3 0.8878 nan 0.1438 0.0248
4 0.8496 nan 0.1438 0.0193
5 0.8214 nan 0.1438 0.0142
6 0.7965 nan 0.1438 0.0125
7 0.7764 nan 0.1438 0.0096
8 0.7568 nan 0.1438 0.0097
9 0.7410 nan 0.1438 0.0075
10 0.7258 nan 0.1438 0.0074
20 0.6522 nan 0.1438 0.0021
40 0.6042 nan 0.1438 0.0004
60 0.5872 nan 0.1438 0.0000
80 0.5771 nan 0.1438 -0.0001
100 0.5699 nan 0.1438 -0.0001
120 0.5638 nan 0.1438 -0.0000
140 0.5587 nan 0.1438 -0.0001
160 0.5541 nan 0.1438 -0.0000
180 0.5503 nan 0.1438 -0.0000
200 0.5473 nan 0.1438 -0.0001
220 0.5435 nan 0.1438 -0.0002
240 0.5396 nan 0.1438 0.0002
259 0.5356 nan 0.1438 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0054 nan 0.1455 0.0476
2 0.9411 nan 0.1455 0.0321
3 0.8938 nan 0.1455 0.0235
4 0.8578 nan 0.1455 0.0180
5 0.8293 nan 0.1455 0.0141
6 0.8057 nan 0.1455 0.0116
7 0.7848 nan 0.1455 0.0102
8 0.7680 nan 0.1455 0.0081
9 0.7533 nan 0.1455 0.0069
10 0.7400 nan 0.1455 0.0064
20 0.6619 nan 0.1455 0.0022
40 0.6127 nan 0.1455 0.0002
60 0.5929 nan 0.1455 -0.0000
80 0.5809 nan 0.1455 0.0000
100 0.5714 nan 0.1455 0.0001
108 0.5685 nan 0.1455 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0241 nan 0.1479 0.0378
2 0.9698 nan 0.1479 0.0273
3 0.9286 nan 0.1479 0.0200
4 0.8888 nan 0.1479 0.0194
5 0.8590 nan 0.1479 0.0146
6 0.8394 nan 0.1479 0.0100
7 0.8190 nan 0.1479 0.0101
8 0.8059 nan 0.1479 0.0065
9 0.7908 nan 0.1479 0.0077
10 0.7783 nan 0.1479 0.0062
20 0.6995 nan 0.1479 0.0017
40 0.6428 nan 0.1479 0.0007
60 0.6213 nan 0.1479 0.0003
80 0.6093 nan 0.1479 0.0001
100 0.6012 nan 0.1479 0.0003
120 0.5940 nan 0.1479 -0.0001
140 0.5894 nan 0.1479 -0.0001
160 0.5852 nan 0.1479 -0.0000
180 0.5814 nan 0.1479 -0.0001
200 0.5780 nan 0.1479 -0.0002
220 0.5753 nan 0.1479 -0.0000
240 0.5728 nan 0.1479 -0.0001
260 0.5696 nan 0.1479 -0.0000
280 0.5671 nan 0.1479 0.0000
300 0.5652 nan 0.1479 0.0000
320 0.5631 nan 0.1479 -0.0001
340 0.5603 nan 0.1479 -0.0000
360 0.5576 nan 0.1479 -0.0001
380 0.5563 nan 0.1479 -0.0001
400 0.5545 nan 0.1479 0.0001
420 0.5532 nan 0.1479 -0.0001
440 0.5510 nan 0.1479 -0.0000
460 0.5500 nan 0.1479 -0.0001
480 0.5478 nan 0.1479 -0.0001
500 0.5470 nan 0.1479 -0.0001
520 0.5459 nan 0.1479 -0.0001
540 0.5444 nan 0.1479 -0.0001
560 0.5428 nan 0.1479 -0.0001
580 0.5415 nan 0.1479 -0.0001
600 0.5394 nan 0.1479 -0.0000
620 0.5381 nan 0.1479 -0.0001
640 0.5373 nan 0.1479 -0.0001
660 0.5362 nan 0.1479 -0.0001
680 0.5349 nan 0.1479 -0.0001
700 0.5341 nan 0.1479 -0.0001
720 0.5327 nan 0.1479 -0.0001
740 0.5315 nan 0.1479 0.0000
760 0.5306 nan 0.1479 -0.0001
780 0.5298 nan 0.1479 -0.0001
800 0.5289 nan 0.1479 -0.0001
820 0.5271 nan 0.1479 -0.0001
840 0.5265 nan 0.1479 -0.0000
860 0.5253 nan 0.1479 -0.0002
880 0.5244 nan 0.1479 -0.0001
900 0.5237 nan 0.1479 -0.0000
920 0.5229 nan 0.1479 -0.0001
940 0.5219 nan 0.1479 -0.0000
960 0.5212 nan 0.1479 -0.0001
980 0.5206 nan 0.1479 -0.0001
986 0.5205 nan 0.1479 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9980 nan 0.1486 0.0511
2 0.9315 nan 0.1486 0.0339
3 0.8830 nan 0.1486 0.0245
4 0.8436 nan 0.1486 0.0189
5 0.8144 nan 0.1486 0.0138
6 0.7911 nan 0.1486 0.0115
7 0.7673 nan 0.1486 0.0117
8 0.7500 nan 0.1486 0.0080
9 0.7342 nan 0.1486 0.0076
10 0.7219 nan 0.1486 0.0059
20 0.6476 nan 0.1486 0.0015
40 0.6028 nan 0.1486 0.0003
60 0.5832 nan 0.1486 0.0002
80 0.5729 nan 0.1486 -0.0001
100 0.5652 nan 0.1486 -0.0002
120 0.5586 nan 0.1486 0.0004
140 0.5540 nan 0.1486 -0.0000
160 0.5501 nan 0.1486 -0.0001
180 0.5451 nan 0.1486 -0.0002
200 0.5416 nan 0.1486 0.0000
220 0.5376 nan 0.1486 -0.0001
240 0.5330 nan 0.1486 -0.0001
260 0.5298 nan 0.1486 -0.0003
280 0.5259 nan 0.1486 -0.0001
300 0.5228 nan 0.1486 -0.0002
320 0.5199 nan 0.1486 -0.0001
340 0.5176 nan 0.1486 -0.0001
360 0.5155 nan 0.1486 -0.0001
380 0.5132 nan 0.1486 -0.0001
400 0.5106 nan 0.1486 -0.0001
420 0.5084 nan 0.1486 0.0001
440 0.5056 nan 0.1486 -0.0002
460 0.5033 nan 0.1486 -0.0001
480 0.5016 nan 0.1486 -0.0001
500 0.4994 nan 0.1486 -0.0002
520 0.4967 nan 0.1486 -0.0002
540 0.4951 nan 0.1486 -0.0003
560 0.4932 nan 0.1486 -0.0002
580 0.4913 nan 0.1486 -0.0002
600 0.4891 nan 0.1486 -0.0002
620 0.4875 nan 0.1486 -0.0002
640 0.4854 nan 0.1486 -0.0002
660 0.4833 nan 0.1486 -0.0001
680 0.4820 nan 0.1486 -0.0001
700 0.4804 nan 0.1486 -0.0002
720 0.4789 nan 0.1486 -0.0002
740 0.4770 nan 0.1486 -0.0002
760 0.4758 nan 0.1486 -0.0001
780 0.4742 nan 0.1486 -0.0002
800 0.4725 nan 0.1486 -0.0002
820 0.4710 nan 0.1486 -0.0002
840 0.4692 nan 0.1486 -0.0002
860 0.4677 nan 0.1486 -0.0001
880 0.4665 nan 0.1486 -0.0001
900 0.4650 nan 0.1486 -0.0002
920 0.4637 nan 0.1486 -0.0001
940 0.4624 nan 0.1486 -0.0001
957 0.4609 nan 0.1486 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9993 nan 0.1502 0.0501
2 0.9354 nan 0.1502 0.0318
3 0.8885 nan 0.1502 0.0238
4 0.8526 nan 0.1502 0.0176
5 0.8228 nan 0.1502 0.0151
6 0.8010 nan 0.1502 0.0107
7 0.7798 nan 0.1502 0.0104
8 0.7616 nan 0.1502 0.0087
9 0.7459 nan 0.1502 0.0072
10 0.7345 nan 0.1502 0.0051
20 0.6556 nan 0.1502 0.0022
40 0.6119 nan 0.1502 0.0001
60 0.5926 nan 0.1502 0.0000
80 0.5830 nan 0.1502 -0.0000
100 0.5748 nan 0.1502 -0.0002
120 0.5692 nan 0.1502 -0.0001
140 0.5639 nan 0.1502 -0.0001
160 0.5584 nan 0.1502 0.0004
180 0.5549 nan 0.1502 -0.0001
200 0.5502 nan 0.1502 -0.0001
220 0.5466 nan 0.1502 -0.0001
240 0.5438 nan 0.1502 -0.0001
260 0.5407 nan 0.1502 -0.0001
280 0.5382 nan 0.1502 -0.0001
300 0.5352 nan 0.1502 -0.0001
320 0.5331 nan 0.1502 -0.0002
340 0.5312 nan 0.1502 -0.0002
360 0.5288 nan 0.1502 -0.0002
380 0.5265 nan 0.1502 -0.0000
400 0.5237 nan 0.1502 -0.0001
420 0.5217 nan 0.1502 -0.0001
440 0.5198 nan 0.1502 -0.0002
460 0.5181 nan 0.1502 -0.0002
480 0.5160 nan 0.1502 -0.0001
500 0.5145 nan 0.1502 -0.0001
520 0.5127 nan 0.1502 -0.0001
540 0.5107 nan 0.1502 -0.0001
560 0.5089 nan 0.1502 -0.0001
580 0.5076 nan 0.1502 -0.0003
600 0.5062 nan 0.1502 -0.0001
620 0.5049 nan 0.1502 -0.0001
640 0.5036 nan 0.1502 -0.0002
660 0.5024 nan 0.1502 -0.0002
680 0.5011 nan 0.1502 -0.0002
689 0.5007 nan 0.1502 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0000 nan 0.1546 0.0510
2 0.9336 nan 0.1546 0.0329
3 0.8843 nan 0.1546 0.0247
4 0.8477 nan 0.1546 0.0177
5 0.8182 nan 0.1546 0.0145
6 0.7956 nan 0.1546 0.0110
7 0.7753 nan 0.1546 0.0092
8 0.7559 nan 0.1546 0.0096
9 0.7422 nan 0.1546 0.0064
10 0.7269 nan 0.1546 0.0075
20 0.6523 nan 0.1546 0.0022
40 0.6078 nan 0.1546 0.0008
60 0.5884 nan 0.1546 0.0002
80 0.5767 nan 0.1546 -0.0001
100 0.5680 nan 0.1546 -0.0001
120 0.5619 nan 0.1546 -0.0002
140 0.5568 nan 0.1546 -0.0001
160 0.5516 nan 0.1546 -0.0000
180 0.5465 nan 0.1546 0.0000
200 0.5409 nan 0.1546 -0.0002
220 0.5368 nan 0.1546 -0.0000
240 0.5320 nan 0.1546 -0.0000
260 0.5289 nan 0.1546 -0.0001
280 0.5252 nan 0.1546 -0.0002
300 0.5222 nan 0.1546 -0.0001
320 0.5193 nan 0.1546 -0.0001
340 0.5162 nan 0.1546 -0.0001
347 0.5154 nan 0.1546 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9985 nan 0.1561 0.0508
2 0.9316 nan 0.1561 0.0332
3 0.8829 nan 0.1561 0.0246
4 0.8472 nan 0.1561 0.0177
5 0.8178 nan 0.1561 0.0151
6 0.7914 nan 0.1561 0.0129
7 0.7721 nan 0.1561 0.0094
8 0.7538 nan 0.1561 0.0091
9 0.7397 nan 0.1561 0.0064
10 0.7281 nan 0.1561 0.0052
20 0.6522 nan 0.1561 0.0019
40 0.6073 nan 0.1561 0.0007
60 0.5875 nan 0.1561 0.0007
80 0.5768 nan 0.1561 -0.0001
100 0.5682 nan 0.1561 -0.0002
120 0.5615 nan 0.1561 0.0000
140 0.5536 nan 0.1561 -0.0001
160 0.5483 nan 0.1561 -0.0003
180 0.5441 nan 0.1561 -0.0001
200 0.5408 nan 0.1561 -0.0001
220 0.5375 nan 0.1561 -0.0001
240 0.5341 nan 0.1561 -0.0002
260 0.5309 nan 0.1561 -0.0001
280 0.5279 nan 0.1561 -0.0000
300 0.5253 nan 0.1561 -0.0001
302 0.5251 nan 0.1561 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0080 nan 0.1572 0.0458
2 0.9426 nan 0.1572 0.0322
3 0.8982 nan 0.1572 0.0221
4 0.8587 nan 0.1572 0.0189
5 0.8314 nan 0.1572 0.0135
6 0.8049 nan 0.1572 0.0134
7 0.7844 nan 0.1572 0.0103
8 0.7673 nan 0.1572 0.0083
9 0.7533 nan 0.1572 0.0063
10 0.7408 nan 0.1572 0.0061
20 0.6658 nan 0.1572 0.0024
40 0.6213 nan 0.1572 0.0008
60 0.6053 nan 0.1572 0.0001
80 0.5952 nan 0.1572 0.0001
100 0.5883 nan 0.1572 0.0001
120 0.5835 nan 0.1572 0.0000
140 0.5779 nan 0.1572 -0.0000
160 0.5747 nan 0.1572 -0.0001
180 0.5709 nan 0.1572 -0.0000
200 0.5682 nan 0.1572 -0.0002
220 0.5656 nan 0.1572 -0.0000
240 0.5626 nan 0.1572 0.0001
260 0.5604 nan 0.1572 -0.0001
280 0.5581 nan 0.1572 -0.0002
300 0.5554 nan 0.1572 -0.0002
320 0.5537 nan 0.1572 -0.0001
340 0.5517 nan 0.1572 -0.0001
360 0.5501 nan 0.1572 -0.0001
380 0.5486 nan 0.1572 -0.0001
400 0.5471 nan 0.1572 -0.0001
404 0.5468 nan 0.1572 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0074 nan 0.1580 0.0460
2 0.9408 nan 0.1580 0.0331
3 0.8930 nan 0.1580 0.0237
4 0.8533 nan 0.1580 0.0193
5 0.8241 nan 0.1580 0.0145
6 0.7994 nan 0.1580 0.0121
7 0.7820 nan 0.1580 0.0084
8 0.7650 nan 0.1580 0.0081
9 0.7468 nan 0.1580 0.0088
10 0.7351 nan 0.1580 0.0057
20 0.6646 nan 0.1580 0.0026
40 0.6203 nan 0.1580 0.0006
60 0.6014 nan 0.1580 -0.0000
80 0.5909 nan 0.1580 0.0003
100 0.5829 nan 0.1580 -0.0002
120 0.5777 nan 0.1580 -0.0000
140 0.5730 nan 0.1580 -0.0001
160 0.5681 nan 0.1580 -0.0000
180 0.5652 nan 0.1580 -0.0001
200 0.5622 nan 0.1580 -0.0000
220 0.5596 nan 0.1580 -0.0001
240 0.5574 nan 0.1580 -0.0001
260 0.5553 nan 0.1580 -0.0001
280 0.5529 nan 0.1580 -0.0002
300 0.5494 nan 0.1580 -0.0001
320 0.5470 nan 0.1580 -0.0001
340 0.5448 nan 0.1580 -0.0001
360 0.5433 nan 0.1580 -0.0001
380 0.5418 nan 0.1580 -0.0001
400 0.5406 nan 0.1580 -0.0002
420 0.5390 nan 0.1580 -0.0001
440 0.5378 nan 0.1580 -0.0003
460 0.5360 nan 0.1580 -0.0000
480 0.5341 nan 0.1580 -0.0002
500 0.5325 nan 0.1580 -0.0001
514 0.5310 nan 0.1580 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0076 nan 0.1589 0.0469
2 0.9410 nan 0.1589 0.0324
3 0.8945 nan 0.1589 0.0229
4 0.8575 nan 0.1589 0.0182
5 0.8299 nan 0.1589 0.0135
6 0.8051 nan 0.1589 0.0125
7 0.7845 nan 0.1589 0.0102
8 0.7679 nan 0.1589 0.0084
9 0.7525 nan 0.1589 0.0075
10 0.7408 nan 0.1589 0.0056
20 0.6677 nan 0.1589 0.0013
40 0.6209 nan 0.1589 0.0003
60 0.6037 nan 0.1589 0.0001
80 0.5928 nan 0.1589 0.0004
100 0.5835 nan 0.1589 0.0002
120 0.5780 nan 0.1589 0.0001
140 0.5731 nan 0.1589 -0.0001
160 0.5680 nan 0.1589 -0.0000
180 0.5640 nan 0.1589 -0.0002
200 0.5600 nan 0.1589 -0.0001
220 0.5574 nan 0.1589 -0.0001
240 0.5536 nan 0.1589 -0.0001
260 0.5514 nan 0.1589 -0.0000
280 0.5486 nan 0.1589 -0.0001
300 0.5464 nan 0.1589 -0.0001
320 0.5443 nan 0.1589 -0.0000
340 0.5425 nan 0.1589 -0.0000
360 0.5408 nan 0.1589 -0.0001
380 0.5390 nan 0.1589 0.0001
400 0.5372 nan 0.1589 -0.0001
420 0.5357 nan 0.1589 -0.0000
440 0.5343 nan 0.1589 -0.0001
460 0.5331 nan 0.1589 -0.0002
480 0.5317 nan 0.1589 -0.0001
500 0.5295 nan 0.1589 0.0002
520 0.5285 nan 0.1589 -0.0000
540 0.5272 nan 0.1589 -0.0001
557 0.5262 nan 0.1589 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0191 nan 0.1591 0.0406
2 0.9624 nan 0.1591 0.0284
3 0.9215 nan 0.1591 0.0207
4 0.8818 nan 0.1591 0.0201
5 0.8521 nan 0.1591 0.0151
6 0.8327 nan 0.1591 0.0098
7 0.8178 nan 0.1591 0.0076
8 0.8012 nan 0.1591 0.0083
9 0.7861 nan 0.1591 0.0073
10 0.7740 nan 0.1591 0.0054
20 0.6921 nan 0.1591 0.0034
40 0.6399 nan 0.1591 0.0005
60 0.6192 nan 0.1591 0.0001
80 0.6064 nan 0.1591 0.0003
100 0.5987 nan 0.1591 0.0000
120 0.5927 nan 0.1591 0.0004
140 0.5866 nan 0.1591 -0.0001
160 0.5829 nan 0.1591 -0.0001
180 0.5784 nan 0.1591 0.0000
200 0.5754 nan 0.1591 -0.0000
220 0.5725 nan 0.1591 -0.0000
240 0.5690 nan 0.1591 -0.0000
260 0.5660 nan 0.1591 -0.0001
280 0.5641 nan 0.1591 -0.0003
300 0.5615 nan 0.1591 -0.0000
320 0.5594 nan 0.1591 -0.0001
340 0.5572 nan 0.1591 -0.0001
360 0.5551 nan 0.1591 -0.0000
380 0.5536 nan 0.1591 -0.0002
400 0.5520 nan 0.1591 -0.0001
420 0.5508 nan 0.1591 -0.0001
440 0.5493 nan 0.1591 -0.0001
460 0.5482 nan 0.1591 -0.0001
480 0.5473 nan 0.1591 -0.0000
500 0.5462 nan 0.1591 -0.0001
520 0.5450 nan 0.1591 -0.0001
540 0.5442 nan 0.1591 -0.0001
560 0.5434 nan 0.1591 -0.0002
580 0.5423 nan 0.1591 0.0002
600 0.5413 nan 0.1591 -0.0001
620 0.5405 nan 0.1591 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9956 nan 0.1593 0.0531
2 0.9279 nan 0.1593 0.0334
3 0.8798 nan 0.1593 0.0237
4 0.8432 nan 0.1593 0.0178
5 0.8131 nan 0.1593 0.0149
6 0.7870 nan 0.1593 0.0130
7 0.7679 nan 0.1593 0.0092
8 0.7507 nan 0.1593 0.0083
9 0.7377 nan 0.1593 0.0062
10 0.7235 nan 0.1593 0.0068
20 0.6513 nan 0.1593 0.0016
40 0.6092 nan 0.1593 0.0002
60 0.5941 nan 0.1593 0.0000
80 0.5834 nan 0.1593 0.0001
100 0.5757 nan 0.1593 -0.0001
120 0.5705 nan 0.1593 -0.0001
140 0.5658 nan 0.1593 -0.0002
160 0.5615 nan 0.1593 -0.0000
180 0.5571 nan 0.1593 -0.0001
200 0.5538 nan 0.1593 -0.0002
220 0.5507 nan 0.1593 -0.0001
240 0.5468 nan 0.1593 -0.0001
260 0.5440 nan 0.1593 -0.0001
280 0.5413 nan 0.1593 -0.0002
300 0.5394 nan 0.1593 -0.0002
320 0.5368 nan 0.1593 -0.0002
340 0.5347 nan 0.1593 -0.0001
360 0.5330 nan 0.1593 -0.0002
380 0.5314 nan 0.1593 -0.0002
400 0.5295 nan 0.1593 -0.0000
420 0.5275 nan 0.1593 -0.0002
440 0.5256 nan 0.1593 -0.0001
460 0.5241 nan 0.1593 -0.0001
480 0.5226 nan 0.1593 -0.0002
500 0.5210 nan 0.1593 -0.0001
520 0.5191 nan 0.1593 -0.0002
540 0.5177 nan 0.1593 -0.0001
560 0.5166 nan 0.1593 -0.0002
580 0.5154 nan 0.1593 -0.0001
600 0.5139 nan 0.1593 -0.0002
620 0.5127 nan 0.1593 -0.0002
639 0.5116 nan 0.1593 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9913 nan 0.1625 0.0543
2 0.9200 nan 0.1625 0.0359
3 0.8692 nan 0.1625 0.0250
4 0.8311 nan 0.1625 0.0185
5 0.8008 nan 0.1625 0.0145
6 0.7772 nan 0.1625 0.0120
7 0.7568 nan 0.1625 0.0100
8 0.7383 nan 0.1625 0.0088
9 0.7227 nan 0.1625 0.0075
10 0.7091 nan 0.1625 0.0068
20 0.6413 nan 0.1625 0.0015
40 0.6002 nan 0.1625 0.0003
60 0.5829 nan 0.1625 -0.0000
80 0.5732 nan 0.1625 -0.0002
100 0.5651 nan 0.1625 0.0000
120 0.5596 nan 0.1625 -0.0002
140 0.5541 nan 0.1625 -0.0000
160 0.5481 nan 0.1625 -0.0001
180 0.5433 nan 0.1625 -0.0002
185 0.5426 nan 0.1625 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9906 nan 0.1685 0.0537
2 0.9210 nan 0.1685 0.0341
3 0.8711 nan 0.1685 0.0249
4 0.8351 nan 0.1685 0.0175
5 0.8037 nan 0.1685 0.0153
6 0.7777 nan 0.1685 0.0120
7 0.7578 nan 0.1685 0.0095
8 0.7423 nan 0.1685 0.0071
9 0.7287 nan 0.1685 0.0069
10 0.7142 nan 0.1685 0.0068
20 0.6463 nan 0.1685 0.0026
40 0.6042 nan 0.1685 0.0006
60 0.5874 nan 0.1685 0.0001
80 0.5769 nan 0.1685 -0.0001
100 0.5677 nan 0.1685 -0.0001
120 0.5615 nan 0.1685 0.0000
140 0.5542 nan 0.1685 0.0010
160 0.5488 nan 0.1685 -0.0000
180 0.5438 nan 0.1685 -0.0002
200 0.5393 nan 0.1685 -0.0000
220 0.5360 nan 0.1685 -0.0001
240 0.5320 nan 0.1685 -0.0000
260 0.5279 nan 0.1685 -0.0001
280 0.5233 nan 0.1685 -0.0001
300 0.5198 nan 0.1685 -0.0001
320 0.5163 nan 0.1685 -0.0002
340 0.5129 nan 0.1685 -0.0002
360 0.5088 nan 0.1685 -0.0001
380 0.5068 nan 0.1685 -0.0001
400 0.5045 nan 0.1685 -0.0001
420 0.5021 nan 0.1685 -0.0001
440 0.4990 nan 0.1685 -0.0001
460 0.4962 nan 0.1685 -0.0001
480 0.4933 nan 0.1685 -0.0001
500 0.4907 nan 0.1685 -0.0002
520 0.4882 nan 0.1685 -0.0000
540 0.4860 nan 0.1685 -0.0001
560 0.4845 nan 0.1685 -0.0000
580 0.4822 nan 0.1685 -0.0001
600 0.4804 nan 0.1685 -0.0001
620 0.4781 nan 0.1685 -0.0002
640 0.4760 nan 0.1685 -0.0001
660 0.4732 nan 0.1685 -0.0002
680 0.4713 nan 0.1685 -0.0001
700 0.4690 nan 0.1685 -0.0002
720 0.4670 nan 0.1685 -0.0001
740 0.4650 nan 0.1685 -0.0001
750 0.4641 nan 0.1685 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0151 nan 0.1687 0.0423
2 0.9576 nan 0.1687 0.0284
3 0.9146 nan 0.1687 0.0210
4 0.8737 nan 0.1687 0.0202
5 0.8450 nan 0.1687 0.0140
6 0.8212 nan 0.1687 0.0118
7 0.8034 nan 0.1687 0.0088
8 0.7914 nan 0.1687 0.0057
9 0.7773 nan 0.1687 0.0067
10 0.7627 nan 0.1687 0.0072
20 0.6842 nan 0.1687 0.0024
40 0.6365 nan 0.1687 0.0005
60 0.6185 nan 0.1687 0.0003
80 0.6070 nan 0.1687 -0.0000
100 0.5992 nan 0.1687 0.0001
120 0.5942 nan 0.1687 0.0000
140 0.5896 nan 0.1687 -0.0000
160 0.5866 nan 0.1687 -0.0001
180 0.5840 nan 0.1687 -0.0000
200 0.5805 nan 0.1687 -0.0002
220 0.5775 nan 0.1687 -0.0001
240 0.5746 nan 0.1687 0.0000
257 0.5730 nan 0.1687 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0149 nan 0.1688 0.0428
2 0.9569 nan 0.1688 0.0284
3 0.9127 nan 0.1688 0.0213
4 0.8728 nan 0.1688 0.0202
5 0.8433 nan 0.1688 0.0151
6 0.8218 nan 0.1688 0.0114
7 0.8059 nan 0.1688 0.0079
8 0.7921 nan 0.1688 0.0063
9 0.7775 nan 0.1688 0.0074
10 0.7637 nan 0.1688 0.0072
20 0.6830 nan 0.1688 0.0030
40 0.6330 nan 0.1688 0.0003
60 0.6137 nan 0.1688 0.0004
80 0.6018 nan 0.1688 0.0000
100 0.5936 nan 0.1688 -0.0000
120 0.5886 nan 0.1688 -0.0001
140 0.5832 nan 0.1688 -0.0000
160 0.5796 nan 0.1688 0.0002
180 0.5755 nan 0.1688 0.0001
200 0.5718 nan 0.1688 -0.0000
220 0.5674 nan 0.1688 -0.0001
240 0.5649 nan 0.1688 -0.0001
260 0.5625 nan 0.1688 -0.0001
280 0.5595 nan 0.1688 -0.0000
300 0.5578 nan 0.1688 -0.0001
320 0.5563 nan 0.1688 -0.0002
340 0.5548 nan 0.1688 -0.0001
360 0.5533 nan 0.1688 -0.0001
380 0.5517 nan 0.1688 -0.0001
400 0.5503 nan 0.1688 -0.0001
420 0.5486 nan 0.1688 -0.0001
440 0.5470 nan 0.1688 0.0000
460 0.5457 nan 0.1688 -0.0001
480 0.5443 nan 0.1688 -0.0001
500 0.5431 nan 0.1688 -0.0001
520 0.5418 nan 0.1688 -0.0001
540 0.5409 nan 0.1688 -0.0001
560 0.5397 nan 0.1688 -0.0000
572 0.5393 nan 0.1688 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9853 nan 0.1722 0.0578
2 0.9116 nan 0.1722 0.0368
3 0.8604 nan 0.1722 0.0248
4 0.8219 nan 0.1722 0.0184
5 0.7925 nan 0.1722 0.0145
6 0.7665 nan 0.1722 0.0132
7 0.7449 nan 0.1722 0.0103
8 0.7270 nan 0.1722 0.0088
9 0.7135 nan 0.1722 0.0061
10 0.7029 nan 0.1722 0.0049
20 0.6367 nan 0.1722 0.0024
40 0.5929 nan 0.1722 0.0001
60 0.5723 nan 0.1722 0.0004
80 0.5633 nan 0.1722 -0.0001
100 0.5547 nan 0.1722 -0.0001
120 0.5488 nan 0.1722 -0.0002
140 0.5415 nan 0.1722 -0.0002
160 0.5367 nan 0.1722 -0.0002
180 0.5322 nan 0.1722 -0.0001
200 0.5286 nan 0.1722 -0.0002
220 0.5246 nan 0.1722 -0.0001
240 0.5205 nan 0.1722 -0.0002
260 0.5159 nan 0.1722 -0.0001
280 0.5119 nan 0.1722 -0.0001
300 0.5084 nan 0.1722 -0.0002
320 0.5055 nan 0.1722 -0.0002
340 0.5025 nan 0.1722 -0.0001
360 0.4995 nan 0.1722 -0.0003
380 0.4973 nan 0.1722 -0.0001
400 0.4945 nan 0.1722 -0.0002
420 0.4919 nan 0.1722 -0.0002
440 0.4894 nan 0.1722 -0.0001
460 0.4871 nan 0.1722 -0.0002
480 0.4841 nan 0.1722 -0.0001
500 0.4817 nan 0.1722 -0.0001
520 0.4790 nan 0.1722 -0.0001
540 0.4762 nan 0.1722 -0.0001
560 0.4742 nan 0.1722 -0.0002
580 0.4715 nan 0.1722 -0.0002
600 0.4690 nan 0.1722 -0.0001
620 0.4665 nan 0.1722 -0.0001
640 0.4645 nan 0.1722 -0.0002
660 0.4631 nan 0.1722 -0.0001
665 0.4624 nan 0.1722 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9844 nan 0.1728 0.0572
2 0.9125 nan 0.1728 0.0354
3 0.8607 nan 0.1728 0.0256
4 0.8228 nan 0.1728 0.0185
5 0.7951 nan 0.1728 0.0136
6 0.7692 nan 0.1728 0.0129
7 0.7478 nan 0.1728 0.0103
8 0.7307 nan 0.1728 0.0083
9 0.7163 nan 0.1728 0.0067
10 0.7039 nan 0.1728 0.0058
20 0.6391 nan 0.1728 0.0012
40 0.5997 nan 0.1728 0.0002
60 0.5864 nan 0.1728 0.0002
80 0.5776 nan 0.1728 -0.0001
100 0.5701 nan 0.1728 -0.0002
120 0.5657 nan 0.1728 -0.0001
140 0.5597 nan 0.1728 0.0002
160 0.5537 nan 0.1728 -0.0002
180 0.5496 nan 0.1728 -0.0001
200 0.5457 nan 0.1728 -0.0002
220 0.5409 nan 0.1728 -0.0001
240 0.5377 nan 0.1728 -0.0002
260 0.5346 nan 0.1728 -0.0003
280 0.5318 nan 0.1728 -0.0002
300 0.5296 nan 0.1728 -0.0003
320 0.5273 nan 0.1728 0.0000
340 0.5245 nan 0.1728 -0.0002
360 0.5214 nan 0.1728 -0.0001
380 0.5190 nan 0.1728 -0.0004
400 0.5175 nan 0.1728 -0.0003
420 0.5155 nan 0.1728 -0.0002
434 0.5140 nan 0.1728 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9883 nan 0.1746 0.0566
2 0.9186 nan 0.1746 0.0351
3 0.8670 nan 0.1746 0.0248
4 0.8285 nan 0.1746 0.0188
5 0.7995 nan 0.1746 0.0137
6 0.7709 nan 0.1746 0.0142
7 0.7523 nan 0.1746 0.0093
8 0.7344 nan 0.1746 0.0090
9 0.7185 nan 0.1746 0.0077
10 0.7054 nan 0.1746 0.0061
20 0.6410 nan 0.1746 0.0021
40 0.6013 nan 0.1746 0.0007
60 0.5851 nan 0.1746 -0.0000
80 0.5742 nan 0.1746 -0.0001
100 0.5652 nan 0.1746 -0.0001
120 0.5566 nan 0.1746 -0.0001
140 0.5505 nan 0.1746 -0.0002
160 0.5449 nan 0.1746 0.0001
180 0.5411 nan 0.1746 -0.0000
200 0.5372 nan 0.1746 -0.0003
220 0.5329 nan 0.1746 -0.0001
240 0.5283 nan 0.1746 -0.0000
260 0.5248 nan 0.1746 -0.0002
280 0.5217 nan 0.1746 -0.0002
300 0.5182 nan 0.1746 -0.0001
320 0.5144 nan 0.1746 -0.0001
340 0.5107 nan 0.1746 -0.0002
360 0.5074 nan 0.1746 -0.0001
380 0.5047 nan 0.1746 -0.0001
400 0.5026 nan 0.1746 -0.0001
420 0.4997 nan 0.1746 -0.0002
440 0.4967 nan 0.1746 -0.0002
460 0.4943 nan 0.1746 -0.0001
480 0.4922 nan 0.1746 -0.0001
500 0.4896 nan 0.1746 -0.0001
520 0.4867 nan 0.1746 -0.0001
540 0.4848 nan 0.1746 -0.0001
560 0.4829 nan 0.1746 -0.0003
580 0.4809 nan 0.1746 -0.0001
600 0.4790 nan 0.1746 -0.0002
620 0.4764 nan 0.1746 -0.0001
640 0.4726 nan 0.1746 0.0002
660 0.4705 nan 0.1746 -0.0001
680 0.4684 nan 0.1746 -0.0001
700 0.4667 nan 0.1746 -0.0002
720 0.4648 nan 0.1746 -0.0001
740 0.4628 nan 0.1746 -0.0002
760 0.4608 nan 0.1746 -0.0002
780 0.4594 nan 0.1746 -0.0003
800 0.4577 nan 0.1746 -0.0001
820 0.4556 nan 0.1746 -0.0001
840 0.4532 nan 0.1746 -0.0001
860 0.4511 nan 0.1746 -0.0001
870 0.4505 nan 0.1746 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9952 nan 0.1804 0.0527
2 0.9232 nan 0.1804 0.0354
3 0.8759 nan 0.1804 0.0228
4 0.8351 nan 0.1804 0.0201
5 0.8044 nan 0.1804 0.0153
6 0.7807 nan 0.1804 0.0114
7 0.7656 nan 0.1804 0.0071
8 0.7492 nan 0.1804 0.0080
9 0.7367 nan 0.1804 0.0058
10 0.7248 nan 0.1804 0.0052
20 0.6568 nan 0.1804 0.0015
40 0.6165 nan 0.1804 0.0003
60 0.5989 nan 0.1804 0.0001
80 0.5893 nan 0.1804 0.0000
100 0.5808 nan 0.1804 -0.0001
120 0.5742 nan 0.1804 -0.0001
140 0.5695 nan 0.1804 -0.0001
160 0.5666 nan 0.1804 -0.0001
180 0.5634 nan 0.1804 -0.0003
200 0.5601 nan 0.1804 -0.0001
220 0.5575 nan 0.1804 -0.0001
240 0.5544 nan 0.1804 -0.0001
260 0.5518 nan 0.1804 -0.0001
280 0.5491 nan 0.1804 -0.0001
300 0.5475 nan 0.1804 -0.0002
320 0.5449 nan 0.1804 -0.0001
340 0.5424 nan 0.1804 -0.0002
360 0.5405 nan 0.1804 -0.0000
380 0.5389 nan 0.1804 -0.0002
400 0.5372 nan 0.1804 -0.0001
420 0.5354 nan 0.1804 -0.0002
440 0.5333 nan 0.1804 -0.0001
460 0.5311 nan 0.1804 -0.0001
480 0.5295 nan 0.1804 -0.0001
500 0.5281 nan 0.1804 -0.0001
520 0.5269 nan 0.1804 0.0000
540 0.5253 nan 0.1804 -0.0001
560 0.5241 nan 0.1804 -0.0001
580 0.5221 nan 0.1804 -0.0001
600 0.5208 nan 0.1804 -0.0001
620 0.5197 nan 0.1804 -0.0001
640 0.5186 nan 0.1804 -0.0001
660 0.5174 nan 0.1804 -0.0001
667 0.5172 nan 0.1804 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9931 nan 0.1837 0.0532
2 0.9224 nan 0.1837 0.0353
3 0.8751 nan 0.1837 0.0235
4 0.8375 nan 0.1837 0.0185
5 0.8062 nan 0.1837 0.0156
6 0.7826 nan 0.1837 0.0118
7 0.7632 nan 0.1837 0.0094
8 0.7491 nan 0.1837 0.0067
9 0.7354 nan 0.1837 0.0068
10 0.7229 nan 0.1837 0.0057
20 0.6553 nan 0.1837 0.0019
40 0.6144 nan 0.1837 0.0007
60 0.5960 nan 0.1837 0.0000
80 0.5860 nan 0.1837 -0.0000
100 0.5775 nan 0.1837 -0.0001
120 0.5704 nan 0.1837 -0.0002
140 0.5652 nan 0.1837 -0.0002
160 0.5613 nan 0.1837 -0.0001
180 0.5571 nan 0.1837 -0.0002
200 0.5540 nan 0.1837 -0.0002
220 0.5503 nan 0.1837 -0.0000
240 0.5475 nan 0.1837 -0.0001
260 0.5446 nan 0.1837 -0.0001
280 0.5422 nan 0.1837 -0.0002
300 0.5401 nan 0.1837 -0.0001
320 0.5381 nan 0.1837 -0.0002
340 0.5364 nan 0.1837 -0.0002
360 0.5348 nan 0.1837 -0.0001
380 0.5332 nan 0.1837 -0.0001
400 0.5313 nan 0.1837 -0.0001
420 0.5287 nan 0.1837 -0.0002
440 0.5273 nan 0.1837 -0.0002
460 0.5254 nan 0.1837 -0.0001
480 0.5241 nan 0.1837 -0.0001
500 0.5227 nan 0.1837 -0.0002
507 0.5222 nan 0.1837 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0088 nan 0.1839 0.0463
2 0.9467 nan 0.1839 0.0303
3 0.9025 nan 0.1839 0.0212
4 0.8610 nan 0.1839 0.0209
5 0.8318 nan 0.1839 0.0144
6 0.8118 nan 0.1839 0.0103
7 0.7919 nan 0.1839 0.0100
8 0.7797 nan 0.1839 0.0057
9 0.7634 nan 0.1839 0.0079
10 0.7518 nan 0.1839 0.0054
20 0.6779 nan 0.1839 0.0020
40 0.6303 nan 0.1839 0.0003
60 0.6130 nan 0.1839 0.0002
80 0.6030 nan 0.1839 0.0000
100 0.5962 nan 0.1839 0.0004
120 0.5908 nan 0.1839 -0.0000
140 0.5868 nan 0.1839 -0.0001
160 0.5835 nan 0.1839 -0.0000
180 0.5801 nan 0.1839 -0.0000
200 0.5776 nan 0.1839 -0.0000
220 0.5747 nan 0.1839 -0.0002
240 0.5728 nan 0.1839 -0.0000
260 0.5705 nan 0.1839 -0.0001
280 0.5686 nan 0.1839 -0.0001
300 0.5674 nan 0.1839 -0.0001
320 0.5655 nan 0.1839 -0.0000
340 0.5641 nan 0.1839 -0.0002
360 0.5631 nan 0.1839 -0.0002
380 0.5616 nan 0.1839 -0.0000
400 0.5600 nan 0.1839 -0.0001
420 0.5582 nan 0.1839 -0.0002
440 0.5571 nan 0.1839 -0.0002
460 0.5564 nan 0.1839 -0.0001
480 0.5547 nan 0.1839 -0.0001
500 0.5536 nan 0.1839 -0.0001
520 0.5521 nan 0.1839 -0.0001
540 0.5515 nan 0.1839 -0.0001
560 0.5510 nan 0.1839 -0.0001
580 0.5502 nan 0.1839 -0.0002
600 0.5492 nan 0.1839 -0.0002
620 0.5484 nan 0.1839 -0.0001
640 0.5469 nan 0.1839 -0.0001
660 0.5463 nan 0.1839 -0.0003
680 0.5454 nan 0.1839 -0.0001
700 0.5446 nan 0.1839 -0.0001
706 0.5443 nan 0.1839 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0033 nan 0.1931 0.0486
2 0.9413 nan 0.1931 0.0313
3 0.8903 nan 0.1931 0.0257
4 0.8546 nan 0.1931 0.0178
5 0.8288 nan 0.1931 0.0124
6 0.8094 nan 0.1931 0.0097
7 0.7916 nan 0.1931 0.0083
8 0.7728 nan 0.1931 0.0093
9 0.7576 nan 0.1931 0.0074
10 0.7463 nan 0.1931 0.0058
20 0.6725 nan 0.1931 0.0014
40 0.6280 nan 0.1931 0.0003
60 0.6106 nan 0.1931 0.0004
80 0.6015 nan 0.1931 0.0005
100 0.5936 nan 0.1931 0.0000
120 0.5880 nan 0.1931 -0.0002
140 0.5833 nan 0.1931 0.0001
160 0.5785 nan 0.1931 -0.0001
180 0.5753 nan 0.1931 -0.0001
200 0.5722 nan 0.1931 -0.0000
220 0.5701 nan 0.1931 -0.0002
240 0.5676 nan 0.1931 -0.0001
260 0.5657 nan 0.1931 -0.0001
280 0.5635 nan 0.1931 -0.0001
300 0.5616 nan 0.1931 -0.0002
320 0.5599 nan 0.1931 0.0000
340 0.5588 nan 0.1931 -0.0000
360 0.5574 nan 0.1931 -0.0001
380 0.5561 nan 0.1931 -0.0001
400 0.5549 nan 0.1931 -0.0001
420 0.5535 nan 0.1931 -0.0001
440 0.5521 nan 0.1931 -0.0002
460 0.5509 nan 0.1931 -0.0001
480 0.5499 nan 0.1931 -0.0002
500 0.5486 nan 0.1931 -0.0001
520 0.5479 nan 0.1931 -0.0002
540 0.5471 nan 0.1931 -0.0000
560 0.5458 nan 0.1931 -0.0001
580 0.5446 nan 0.1931 -0.0002
600 0.5431 nan 0.1931 -0.0001
620 0.5423 nan 0.1931 -0.0002
637 0.5419 nan 0.1931 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9889 nan 0.1938 0.0558
2 0.9143 nan 0.1938 0.0368
3 0.8606 nan 0.1938 0.0262
4 0.8267 nan 0.1938 0.0166
5 0.7937 nan 0.1938 0.0159
6 0.7688 nan 0.1938 0.0120
7 0.7543 nan 0.1938 0.0072
8 0.7387 nan 0.1938 0.0077
9 0.7268 nan 0.1938 0.0057
10 0.7129 nan 0.1938 0.0067
20 0.6497 nan 0.1938 0.0020
40 0.6084 nan 0.1938 0.0002
60 0.5911 nan 0.1938 0.0000
80 0.5811 nan 0.1938 -0.0000
100 0.5726 nan 0.1938 -0.0000
120 0.5660 nan 0.1938 -0.0000
140 0.5602 nan 0.1938 -0.0001
160 0.5557 nan 0.1938 -0.0001
180 0.5516 nan 0.1938 -0.0002
200 0.5485 nan 0.1938 -0.0001
220 0.5459 nan 0.1938 -0.0001
240 0.5432 nan 0.1938 -0.0002
260 0.5412 nan 0.1938 -0.0002
280 0.5389 nan 0.1938 -0.0002
300 0.5368 nan 0.1938 -0.0002
320 0.5342 nan 0.1938 -0.0001
340 0.5318 nan 0.1938 -0.0001
360 0.5299 nan 0.1938 -0.0001
380 0.5272 nan 0.1938 -0.0001
400 0.5242 nan 0.1938 -0.0002
420 0.5223 nan 0.1938 -0.0000
440 0.5199 nan 0.1938 -0.0002
460 0.5179 nan 0.1938 -0.0002
480 0.5161 nan 0.1938 -0.0002
500 0.5144 nan 0.1938 -0.0002
520 0.5129 nan 0.1938 -0.0000
523 0.5128 nan 0.1938 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0276 nan 0.1946 0.0350
2 0.9858 nan 0.1946 0.0195
3 0.9427 nan 0.1946 0.0212
4 0.9126 nan 0.1946 0.0150
5 0.8839 nan 0.1946 0.0137
6 0.8659 nan 0.1946 0.0089
7 0.8471 nan 0.1946 0.0090
8 0.8301 nan 0.1946 0.0084
9 0.8188 nan 0.1946 0.0057
10 0.8063 nan 0.1946 0.0059
20 0.7307 nan 0.1946 0.0023
40 0.6651 nan 0.1946 0.0006
60 0.6409 nan 0.1946 0.0002
80 0.6268 nan 0.1946 0.0001
100 0.6180 nan 0.1946 0.0001
120 0.6125 nan 0.1946 0.0001
140 0.6069 nan 0.1946 0.0001
160 0.6029 nan 0.1946 -0.0001
180 0.5999 nan 0.1946 0.0000
200 0.5977 nan 0.1946 -0.0001
220 0.5954 nan 0.1946 -0.0000
240 0.5935 nan 0.1946 -0.0001
260 0.5921 nan 0.1946 0.0000
280 0.5909 nan 0.1946 -0.0001
300 0.5900 nan 0.1946 -0.0001
320 0.5885 nan 0.1946 -0.0001
340 0.5874 nan 0.1946 0.0000
360 0.5865 nan 0.1946 -0.0000
380 0.5858 nan 0.1946 -0.0001
400 0.5847 nan 0.1946 -0.0000
420 0.5840 nan 0.1946 -0.0001
440 0.5834 nan 0.1946 -0.0001
460 0.5827 nan 0.1946 -0.0001
480 0.5822 nan 0.1946 -0.0001
500 0.5816 nan 0.1946 -0.0001
520 0.5811 nan 0.1946 -0.0001
540 0.5806 nan 0.1946 -0.0002
560 0.5800 nan 0.1946 -0.0000
580 0.5794 nan 0.1946 -0.0001
600 0.5789 nan 0.1946 -0.0000
603 0.5789 nan 0.1946 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0025 nan 0.1956 0.0488
2 0.9399 nan 0.1956 0.0315
3 0.8883 nan 0.1956 0.0253
4 0.8582 nan 0.1956 0.0151
5 0.8305 nan 0.1956 0.0142
6 0.8085 nan 0.1956 0.0106
7 0.7891 nan 0.1956 0.0094
8 0.7700 nan 0.1956 0.0095
9 0.7555 nan 0.1956 0.0069
10 0.7458 nan 0.1956 0.0045
20 0.6696 nan 0.1956 0.0019
40 0.6264 nan 0.1956 0.0001
60 0.6078 nan 0.1956 0.0005
80 0.5986 nan 0.1956 0.0000
100 0.5912 nan 0.1956 0.0003
120 0.5854 nan 0.1956 0.0001
140 0.5801 nan 0.1956 -0.0000
160 0.5773 nan 0.1956 -0.0002
180 0.5724 nan 0.1956 -0.0000
200 0.5691 nan 0.1956 0.0002
220 0.5660 nan 0.1956 -0.0002
240 0.5633 nan 0.1956 0.0001
260 0.5615 nan 0.1956 -0.0001
280 0.5596 nan 0.1956 -0.0000
300 0.5570 nan 0.1956 0.0003
310 0.5555 nan 0.1956 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0027 nan 0.1958 0.0484
2 0.9399 nan 0.1958 0.0310
3 0.8873 nan 0.1958 0.0260
4 0.8603 nan 0.1958 0.0129
5 0.8285 nan 0.1958 0.0159
6 0.8090 nan 0.1958 0.0096
7 0.7906 nan 0.1958 0.0086
8 0.7711 nan 0.1958 0.0095
9 0.7557 nan 0.1958 0.0074
10 0.7441 nan 0.1958 0.0056
20 0.6730 nan 0.1958 0.0014
40 0.6292 nan 0.1958 0.0002
60 0.6111 nan 0.1958 0.0005
80 0.6016 nan 0.1958 -0.0000
100 0.5942 nan 0.1958 -0.0001
120 0.5888 nan 0.1958 0.0000
140 0.5849 nan 0.1958 0.0002
160 0.5811 nan 0.1958 0.0003
180 0.5776 nan 0.1958 -0.0001
200 0.5750 nan 0.1958 -0.0001
220 0.5722 nan 0.1958 -0.0001
240 0.5703 nan 0.1958 0.0000
260 0.5682 nan 0.1958 -0.0001
280 0.5671 nan 0.1958 -0.0002
300 0.5648 nan 0.1958 -0.0001
320 0.5631 nan 0.1958 -0.0001
340 0.5610 nan 0.1958 -0.0001
360 0.5585 nan 0.1958 0.0002
380 0.5572 nan 0.1958 -0.0002
400 0.5560 nan 0.1958 -0.0001
420 0.5547 nan 0.1958 -0.0001
440 0.5536 nan 0.1958 -0.0001
460 0.5524 nan 0.1958 -0.0001
467 0.5521 nan 0.1958 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9999 nan 0.1968 0.0488
2 0.9258 nan 0.1968 0.0377
3 0.8815 nan 0.1968 0.0218
4 0.8441 nan 0.1968 0.0181
5 0.8184 nan 0.1968 0.0126
6 0.7983 nan 0.1968 0.0098
7 0.7803 nan 0.1968 0.0090
8 0.7666 nan 0.1968 0.0063
9 0.7551 nan 0.1968 0.0056
10 0.7409 nan 0.1968 0.0070
20 0.6718 nan 0.1968 0.0023
40 0.6265 nan 0.1968 0.0002
60 0.6099 nan 0.1968 0.0002
80 0.5985 nan 0.1968 0.0001
100 0.5910 nan 0.1968 0.0002
120 0.5850 nan 0.1968 -0.0001
140 0.5799 nan 0.1968 -0.0001
160 0.5763 nan 0.1968 -0.0001
180 0.5741 nan 0.1968 -0.0001
200 0.5717 nan 0.1968 -0.0001
220 0.5678 nan 0.1968 -0.0000
240 0.5652 nan 0.1968 -0.0001
260 0.5629 nan 0.1968 -0.0001
277 0.5610 nan 0.1968 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0029 nan 0.1973 0.0490
2 0.9400 nan 0.1973 0.0317
3 0.8876 nan 0.1973 0.0257
4 0.8545 nan 0.1973 0.0165
5 0.8282 nan 0.1973 0.0132
6 0.8062 nan 0.1973 0.0109
7 0.7858 nan 0.1973 0.0106
8 0.7699 nan 0.1973 0.0079
9 0.7573 nan 0.1973 0.0062
10 0.7447 nan 0.1973 0.0064
20 0.6695 nan 0.1973 0.0030
40 0.6276 nan 0.1973 0.0005
60 0.6110 nan 0.1973 0.0001
80 0.6007 nan 0.1973 0.0002
100 0.5931 nan 0.1973 -0.0000
120 0.5877 nan 0.1973 -0.0000
140 0.5831 nan 0.1973 -0.0000
160 0.5793 nan 0.1973 0.0000
180 0.5763 nan 0.1973 -0.0000
200 0.5731 nan 0.1973 -0.0001
220 0.5705 nan 0.1973 -0.0001
240 0.5679 nan 0.1973 -0.0001
260 0.5661 nan 0.1973 -0.0001
280 0.5644 nan 0.1973 -0.0003
300 0.5623 nan 0.1973 -0.0001
320 0.5600 nan 0.1973 -0.0001
340 0.5586 nan 0.1973 -0.0002
360 0.5575 nan 0.1973 -0.0000
380 0.5562 nan 0.1973 -0.0002
400 0.5547 nan 0.1973 -0.0000
420 0.5535 nan 0.1973 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9854 nan 0.1983 0.0555
2 0.9111 nan 0.1983 0.0370
3 0.8632 nan 0.1983 0.0239
4 0.8228 nan 0.1983 0.0206
5 0.7983 nan 0.1983 0.0123
6 0.7754 nan 0.1983 0.0114
7 0.7578 nan 0.1983 0.0081
8 0.7435 nan 0.1983 0.0071
9 0.7292 nan 0.1983 0.0069
10 0.7147 nan 0.1983 0.0069
20 0.6489 nan 0.1983 0.0021
40 0.6125 nan 0.1983 0.0002
60 0.5979 nan 0.1983 0.0001
80 0.5877 nan 0.1983 -0.0002
100 0.5816 nan 0.1983 0.0002
120 0.5762 nan 0.1983 -0.0001
140 0.5703 nan 0.1983 0.0001
160 0.5667 nan 0.1983 -0.0000
180 0.5638 nan 0.1983 -0.0001
200 0.5600 nan 0.1983 0.0001
220 0.5567 nan 0.1983 -0.0002
240 0.5538 nan 0.1983 -0.0001
260 0.5507 nan 0.1983 -0.0002
280 0.5478 nan 0.1983 -0.0000
300 0.5459 nan 0.1983 -0.0001
320 0.5431 nan 0.1983 0.0000
340 0.5414 nan 0.1983 -0.0002
360 0.5385 nan 0.1983 -0.0002
380 0.5359 nan 0.1983 -0.0001
400 0.5344 nan 0.1983 -0.0002
420 0.5322 nan 0.1983 -0.0002
440 0.5311 nan 0.1983 -0.0000
460 0.5292 nan 0.1983 -0.0002
480 0.5279 nan 0.1983 -0.0001
500 0.5269 nan 0.1983 -0.0001
520 0.5259 nan 0.1983 -0.0002
540 0.5245 nan 0.1983 -0.0001
560 0.5230 nan 0.1983 -0.0001
580 0.5219 nan 0.1983 -0.0001
594 0.5214 nan 0.1983 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9854 nan 0.1999 0.0572
2 0.9102 nan 0.1999 0.0383
3 0.8620 nan 0.1999 0.0239
4 0.8286 nan 0.1999 0.0166
5 0.7982 nan 0.1999 0.0154
6 0.7783 nan 0.1999 0.0098
7 0.7584 nan 0.1999 0.0096
8 0.7396 nan 0.1999 0.0090
9 0.7243 nan 0.1999 0.0069
10 0.7124 nan 0.1999 0.0058
20 0.6494 nan 0.1999 0.0016
40 0.6086 nan 0.1999 0.0000
60 0.5912 nan 0.1999 0.0000
80 0.5810 nan 0.1999 0.0000
100 0.5746 nan 0.1999 0.0001
120 0.5681 nan 0.1999 -0.0002
140 0.5623 nan 0.1999 -0.0001
160 0.5589 nan 0.1999 -0.0001
180 0.5547 nan 0.1999 -0.0001
196 0.5526 nan 0.1999 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0918 nan 0.0116 0.0043
2 1.0837 nan 0.0116 0.0041
3 1.0756 nan 0.0116 0.0040
4 1.0678 nan 0.0116 0.0039
5 1.0602 nan 0.0116 0.0038
6 1.0529 nan 0.0116 0.0036
7 1.0458 nan 0.0116 0.0035
8 1.0388 nan 0.0116 0.0034
9 1.0320 nan 0.0116 0.0033
10 1.0255 nan 0.0116 0.0033
20 0.9686 nan 0.0116 0.0025
40 0.8880 nan 0.0116 0.0016
60 0.8327 nan 0.0116 0.0012
80 0.7918 nan 0.0116 0.0009
100 0.7592 nan 0.0116 0.0006
120 0.7335 nan 0.0116 0.0005
140 0.7125 nan 0.0116 0.0005
160 0.6953 nan 0.0116 0.0004
180 0.6813 nan 0.0116 0.0003
200 0.6696 nan 0.0116 0.0003
220 0.6604 nan 0.0116 0.0002
240 0.6522 nan 0.0116 0.0002
260 0.6448 nan 0.0116 0.0001
280 0.6384 nan 0.0116 0.0001
300 0.6330 nan 0.0116 0.0001
320 0.6279 nan 0.0116 0.0001
340 0.6232 nan 0.0116 0.0001
360 0.6193 nan 0.0116 0.0001
380 0.6157 nan 0.0116 0.0001
400 0.6125 nan 0.0116 0.0001
420 0.6092 nan 0.0116 0.0000
440 0.6064 nan 0.0116 0.0000
460 0.6038 nan 0.0116 0.0000
480 0.6014 nan 0.0116 0.0001
500 0.5991 nan 0.0116 0.0000
520 0.5967 nan 0.0116 0.0000
540 0.5946 nan 0.0116 0.0001
560 0.5928 nan 0.0116 0.0000
580 0.5913 nan 0.0116 0.0000
600 0.5897 nan 0.0116 0.0000
620 0.5879 nan 0.0116 0.0000
628 0.5873 nan 0.0116 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0920 nan 0.0118 0.0042
2 1.0837 nan 0.0118 0.0040
3 1.0757 nan 0.0118 0.0039
4 1.0680 nan 0.0118 0.0038
5 1.0606 nan 0.0118 0.0038
6 1.0535 nan 0.0118 0.0035
7 1.0467 nan 0.0118 0.0034
8 1.0402 nan 0.0118 0.0033
9 1.0335 nan 0.0118 0.0033
10 1.0270 nan 0.0118 0.0032
20 0.9723 nan 0.0118 0.0025
40 0.8936 nan 0.0118 0.0017
60 0.8405 nan 0.0118 0.0013
80 0.7993 nan 0.0118 0.0009
100 0.7674 nan 0.0118 0.0007
120 0.7423 nan 0.0118 0.0005
140 0.7220 nan 0.0118 0.0004
160 0.7053 nan 0.0118 0.0004
180 0.6911 nan 0.0118 0.0003
200 0.6796 nan 0.0118 0.0003
220 0.6700 nan 0.0118 0.0003
240 0.6616 nan 0.0118 0.0002
260 0.6547 nan 0.0118 0.0001
280 0.6485 nan 0.0118 0.0001
300 0.6429 nan 0.0118 0.0001
320 0.6377 nan 0.0118 0.0001
340 0.6335 nan 0.0118 0.0001
360 0.6298 nan 0.0118 0.0001
366 0.6287 nan 0.0118 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0908 nan 0.0134 0.0048
2 1.0818 nan 0.0134 0.0044
3 1.0730 nan 0.0134 0.0044
4 1.0645 nan 0.0134 0.0043
5 1.0562 nan 0.0134 0.0042
6 1.0483 nan 0.0134 0.0040
7 1.0407 nan 0.0134 0.0039
8 1.0332 nan 0.0134 0.0037
9 1.0261 nan 0.0134 0.0036
10 1.0190 nan 0.0134 0.0035
20 0.9591 nan 0.0134 0.0026
40 0.8769 nan 0.0134 0.0016
60 0.8224 nan 0.0134 0.0011
80 0.7810 nan 0.0134 0.0009
100 0.7493 nan 0.0134 0.0006
120 0.7254 nan 0.0134 0.0006
140 0.7055 nan 0.0134 0.0004
160 0.6896 nan 0.0134 0.0004
180 0.6767 nan 0.0134 0.0003
200 0.6662 nan 0.0134 0.0002
220 0.6574 nan 0.0134 0.0002
240 0.6497 nan 0.0134 0.0002
260 0.6430 nan 0.0134 0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0888 nan 0.0164 0.0058
2 1.0774 nan 0.0164 0.0056
3 1.0668 nan 0.0164 0.0053
4 1.0566 nan 0.0164 0.0051
5 1.0470 nan 0.0164 0.0048
6 1.0377 nan 0.0164 0.0047
7 1.0287 nan 0.0164 0.0044
8 1.0201 nan 0.0164 0.0043
9 1.0118 nan 0.0164 0.0042
10 1.0037 nan 0.0164 0.0041
20 0.9371 nan 0.0164 0.0029
40 0.8496 nan 0.0164 0.0017
60 0.7938 nan 0.0164 0.0012
80 0.7532 nan 0.0164 0.0007
100 0.7228 nan 0.0164 0.0007
120 0.7011 nan 0.0164 0.0005
140 0.6837 nan 0.0164 0.0003
160 0.6693 nan 0.0164 0.0003
180 0.6579 nan 0.0164 0.0003
200 0.6485 nan 0.0164 0.0002
220 0.6403 nan 0.0164 0.0001
240 0.6340 nan 0.0164 0.0001
260 0.6284 nan 0.0164 0.0001
280 0.6238 nan 0.0164 0.0001
300 0.6190 nan 0.0164 0.0001
320 0.6150 nan 0.0164 0.0001
340 0.6115 nan 0.0164 0.0000
360 0.6083 nan 0.0164 0.0000
380 0.6052 nan 0.0164 0.0000
400 0.6025 nan 0.0164 0.0000
420 0.6000 nan 0.0164 0.0000
440 0.5979 nan 0.0164 0.0000
460 0.5957 nan 0.0164 0.0000
480 0.5935 nan 0.0164 0.0000
500 0.5917 nan 0.0164 0.0000
520 0.5898 nan 0.0164 0.0000
540 0.5884 nan 0.0164 -0.0000
560 0.5866 nan 0.0164 0.0000
580 0.5853 nan 0.0164 -0.0000
600 0.5840 nan 0.0164 0.0000
620 0.5826 nan 0.0164 -0.0000
640 0.5811 nan 0.0164 -0.0000
660 0.5800 nan 0.0164 0.0000
680 0.5788 nan 0.0164 -0.0000
700 0.5777 nan 0.0164 -0.0000
720 0.5765 nan 0.0164 -0.0000
740 0.5755 nan 0.0164 0.0000
760 0.5746 nan 0.0164 0.0000
780 0.5738 nan 0.0164 0.0000
800 0.5729 nan 0.0164 0.0000
820 0.5720 nan 0.0164 0.0000
840 0.5712 nan 0.0164 -0.0000
860 0.5703 nan 0.0164 -0.0000
880 0.5692 nan 0.0164 -0.0000
900 0.5683 nan 0.0164 -0.0000
920 0.5675 nan 0.0164 -0.0000
940 0.5668 nan 0.0164 -0.0000
960 0.5661 nan 0.0164 0.0000
980 0.5652 nan 0.0164 0.0000
985 0.5651 nan 0.0164 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0898 nan 0.0166 0.0054
2 1.0796 nan 0.0166 0.0052
3 1.0699 nan 0.0166 0.0048
4 1.0605 nan 0.0166 0.0046
5 1.0516 nan 0.0166 0.0044
6 1.0430 nan 0.0166 0.0042
7 1.0345 nan 0.0166 0.0042
8 1.0263 nan 0.0166 0.0042
9 1.0185 nan 0.0166 0.0040
10 1.0109 nan 0.0166 0.0037
20 0.9467 nan 0.0166 0.0028
40 0.8588 nan 0.0166 0.0016
60 0.8031 nan 0.0166 0.0010
80 0.7659 nan 0.0166 0.0007
100 0.7383 nan 0.0166 0.0006
120 0.7167 nan 0.0166 0.0004
136 0.7022 nan 0.0166 0.0004
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0872 nan 0.0205 0.0066
2 1.0746 nan 0.0205 0.0062
3 1.0627 nan 0.0205 0.0059
4 1.0514 nan 0.0205 0.0057
5 1.0406 nan 0.0205 0.0054
6 1.0305 nan 0.0205 0.0050
7 1.0205 nan 0.0205 0.0049
8 1.0110 nan 0.0205 0.0048
9 1.0023 nan 0.0205 0.0044
10 0.9940 nan 0.0205 0.0043
20 0.9226 nan 0.0205 0.0031
40 0.8286 nan 0.0205 0.0018
60 0.7757 nan 0.0205 0.0009
80 0.7395 nan 0.0205 0.0008
100 0.7131 nan 0.0205 0.0006
120 0.6922 nan 0.0205 0.0003
140 0.6768 nan 0.0205 0.0002
160 0.6641 nan 0.0205 0.0002
180 0.6545 nan 0.0205 0.0002
200 0.6462 nan 0.0205 0.0002
220 0.6391 nan 0.0205 0.0001
240 0.6333 nan 0.0205 0.0001
260 0.6284 nan 0.0205 0.0001
280 0.6242 nan 0.0205 0.0001
300 0.6205 nan 0.0205 0.0000
320 0.6173 nan 0.0205 0.0000
340 0.6140 nan 0.0205 0.0000
360 0.6110 nan 0.0205 0.0001
380 0.6088 nan 0.0205 0.0000
400 0.6061 nan 0.0205 0.0001
420 0.6040 nan 0.0205 0.0000
440 0.6017 nan 0.0205 0.0000
460 0.5999 nan 0.0205 -0.0000
480 0.5981 nan 0.0205 0.0000
500 0.5964 nan 0.0205 0.0001
520 0.5949 nan 0.0205 0.0000
540 0.5933 nan 0.0205 0.0000
560 0.5919 nan 0.0205 0.0000
580 0.5906 nan 0.0205 0.0000
600 0.5895 nan 0.0205 0.0000
620 0.5885 nan 0.0205 0.0000
640 0.5872 nan 0.0205 0.0000
660 0.5861 nan 0.0205 -0.0000
680 0.5850 nan 0.0205 0.0000
700 0.5836 nan 0.0205 -0.0000
720 0.5825 nan 0.0205 -0.0000
740 0.5816 nan 0.0205 -0.0000
760 0.5808 nan 0.0205 0.0000
780 0.5799 nan 0.0205 -0.0000
800 0.5791 nan 0.0205 -0.0000
820 0.5783 nan 0.0205 0.0000
840 0.5773 nan 0.0205 0.0000
860 0.5765 nan 0.0205 0.0000
880 0.5757 nan 0.0205 0.0000
900 0.5750 nan 0.0205 -0.0000
920 0.5743 nan 0.0205 -0.0000
940 0.5736 nan 0.0205 -0.0000
950 0.5733 nan 0.0205 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0801 nan 0.0280 0.0101
2 1.0609 nan 0.0280 0.0095
3 1.0435 nan 0.0280 0.0087
4 1.0266 nan 0.0280 0.0081
5 1.0112 nan 0.0280 0.0076
6 0.9970 nan 0.0280 0.0072
7 0.9837 nan 0.0280 0.0067
8 0.9710 nan 0.0280 0.0062
9 0.9588 nan 0.0280 0.0061
10 0.9475 nan 0.0280 0.0056
20 0.8609 nan 0.0280 0.0035
40 0.7631 nan 0.0280 0.0018
60 0.7068 nan 0.0280 0.0010
80 0.6740 nan 0.0280 0.0007
100 0.6516 nan 0.0280 0.0004
120 0.6351 nan 0.0280 0.0003
140 0.6238 nan 0.0280 0.0002
160 0.6140 nan 0.0280 0.0002
180 0.6064 nan 0.0280 0.0001
200 0.6001 nan 0.0280 0.0001
220 0.5942 nan 0.0280 0.0000
240 0.5892 nan 0.0280 -0.0000
260 0.5858 nan 0.0280 0.0000
280 0.5825 nan 0.0280 0.0001
300 0.5792 nan 0.0280 -0.0000
320 0.5760 nan 0.0280 0.0001
340 0.5737 nan 0.0280 -0.0000
360 0.5714 nan 0.0280 -0.0000
380 0.5692 nan 0.0280 0.0000
400 0.5671 nan 0.0280 0.0001
420 0.5652 nan 0.0280 0.0000
440 0.5633 nan 0.0280 -0.0000
460 0.5611 nan 0.0280 0.0001
480 0.5593 nan 0.0280 -0.0000
500 0.5578 nan 0.0280 -0.0000
520 0.5559 nan 0.0280 -0.0000
540 0.5543 nan 0.0280 0.0000
560 0.5530 nan 0.0280 -0.0000
580 0.5516 nan 0.0280 -0.0000
600 0.5501 nan 0.0280 -0.0000
620 0.5487 nan 0.0280 -0.0000
640 0.5474 nan 0.0280 0.0000
660 0.5460 nan 0.0280 -0.0000
680 0.5448 nan 0.0280 -0.0000
700 0.5431 nan 0.0280 0.0000
720 0.5419 nan 0.0280 -0.0000
740 0.5404 nan 0.0280 -0.0000
760 0.5394 nan 0.0280 0.0000
780 0.5383 nan 0.0280 0.0000
800 0.5373 nan 0.0280 -0.0000
820 0.5359 nan 0.0280 -0.0000
840 0.5348 nan 0.0280 -0.0000
860 0.5339 nan 0.0280 0.0000
880 0.5329 nan 0.0280 -0.0000
900 0.5319 nan 0.0280 -0.0000
918 0.5310 nan 0.0280 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0892 nan 0.0292 0.0057
2 1.0783 nan 0.0292 0.0054
3 1.0682 nan 0.0292 0.0051
4 1.0582 nan 0.0292 0.0048
5 1.0493 nan 0.0292 0.0045
6 1.0410 nan 0.0292 0.0043
7 1.0329 nan 0.0292 0.0040
8 1.0259 nan 0.0292 0.0034
9 1.0183 nan 0.0292 0.0038
10 1.0120 nan 0.0292 0.0031
20 0.9538 nan 0.0292 0.0026
40 0.8772 nan 0.0292 0.0017
60 0.8284 nan 0.0292 0.0011
80 0.7951 nan 0.0292 0.0006
100 0.7687 nan 0.0292 0.0005
120 0.7477 nan 0.0292 0.0003
140 0.7304 nan 0.0292 0.0004
160 0.7155 nan 0.0292 0.0003
180 0.7034 nan 0.0292 0.0002
200 0.6926 nan 0.0292 0.0002
220 0.6840 nan 0.0292 0.0001
240 0.6757 nan 0.0292 0.0002
260 0.6688 nan 0.0292 0.0001
280 0.6627 nan 0.0292 0.0001
300 0.6577 nan 0.0292 0.0001
320 0.6533 nan 0.0292 0.0000
340 0.6495 nan 0.0292 0.0000
360 0.6459 nan 0.0292 0.0001
380 0.6425 nan 0.0292 0.0001
400 0.6396 nan 0.0292 0.0001
420 0.6370 nan 0.0292 0.0000
440 0.6346 nan 0.0292 0.0001
460 0.6326 nan 0.0292 0.0000
480 0.6306 nan 0.0292 0.0000
500 0.6285 nan 0.0292 0.0001
520 0.6269 nan 0.0292 0.0000
540 0.6254 nan 0.0292 0.0000
560 0.6240 nan 0.0292 0.0000
580 0.6226 nan 0.0292 0.0000
600 0.6212 nan 0.0292 0.0000
620 0.6197 nan 0.0292 0.0000
640 0.6184 nan 0.0292 0.0000
660 0.6172 nan 0.0292 0.0000
676 0.6163 nan 0.0292 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0793 nan 0.0297 0.0103
2 1.0601 nan 0.0297 0.0095
3 1.0424 nan 0.0297 0.0089
4 1.0260 nan 0.0297 0.0083
5 1.0108 nan 0.0297 0.0076
6 0.9965 nan 0.0297 0.0072
7 0.9832 nan 0.0297 0.0067
8 0.9703 nan 0.0297 0.0065
9 0.9585 nan 0.0297 0.0060
10 0.9472 nan 0.0297 0.0055
20 0.8633 nan 0.0297 0.0033
40 0.7667 nan 0.0297 0.0019
60 0.7122 nan 0.0297 0.0010
80 0.6782 nan 0.0297 0.0007
100 0.6566 nan 0.0297 0.0003
120 0.6418 nan 0.0297 0.0003
140 0.6302 nan 0.0297 0.0002
160 0.6211 nan 0.0297 0.0001
180 0.6133 nan 0.0297 0.0001
200 0.6072 nan 0.0297 0.0001
220 0.6017 nan 0.0297 0.0001
240 0.5974 nan 0.0297 0.0001
260 0.5938 nan 0.0297 0.0000
280 0.5901 nan 0.0297 0.0001
300 0.5868 nan 0.0297 0.0000
320 0.5845 nan 0.0297 0.0000
340 0.5818 nan 0.0297 -0.0000
360 0.5788 nan 0.0297 0.0000
380 0.5768 nan 0.0297 0.0000
400 0.5744 nan 0.0297 0.0000
401 0.5743 nan 0.0297 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0842 nan 0.0300 0.0081
2 1.0690 nan 0.0300 0.0076
3 1.0550 nan 0.0300 0.0070
4 1.0417 nan 0.0300 0.0066
5 1.0293 nan 0.0300 0.0061
6 1.0174 nan 0.0300 0.0058
7 1.0066 nan 0.0300 0.0055
8 0.9940 nan 0.0300 0.0061
9 0.9825 nan 0.0300 0.0058
10 0.9730 nan 0.0300 0.0048
20 0.8918 nan 0.0300 0.0033
40 0.8081 nan 0.0300 0.0014
60 0.7577 nan 0.0300 0.0010
80 0.7239 nan 0.0300 0.0008
100 0.6993 nan 0.0300 0.0005
120 0.6803 nan 0.0300 0.0003
140 0.6662 nan 0.0300 0.0003
160 0.6555 nan 0.0300 0.0002
180 0.6471 nan 0.0300 0.0003
200 0.6404 nan 0.0300 0.0001
220 0.6350 nan 0.0300 0.0001
240 0.6305 nan 0.0300 0.0001
260 0.6262 nan 0.0300 0.0001
280 0.6225 nan 0.0300 0.0001
300 0.6191 nan 0.0300 0.0001
320 0.6163 nan 0.0300 0.0000
340 0.6137 nan 0.0300 0.0001
360 0.6111 nan 0.0300 0.0001
380 0.6089 nan 0.0300 -0.0000
400 0.6069 nan 0.0300 0.0000
420 0.6052 nan 0.0300 0.0000
440 0.6035 nan 0.0300 0.0000
460 0.6016 nan 0.0300 0.0000
480 0.6000 nan 0.0300 0.0000
500 0.5985 nan 0.0300 -0.0000
520 0.5970 nan 0.0300 0.0000
540 0.5957 nan 0.0300 0.0000
560 0.5944 nan 0.0300 -0.0000
580 0.5932 nan 0.0300 -0.0000
600 0.5922 nan 0.0300 0.0000
620 0.5911 nan 0.0300 0.0000
640 0.5901 nan 0.0300 -0.0000
660 0.5892 nan 0.0300 -0.0000
680 0.5883 nan 0.0300 -0.0000
700 0.5874 nan 0.0300 0.0000
720 0.5865 nan 0.0300 -0.0000
740 0.5855 nan 0.0300 -0.0000
760 0.5848 nan 0.0300 -0.0000
780 0.5839 nan 0.0300 0.0000
800 0.5832 nan 0.0300 -0.0000
820 0.5824 nan 0.0300 -0.0000
840 0.5817 nan 0.0300 -0.0000
860 0.5810 nan 0.0300 -0.0000
880 0.5803 nan 0.0300 0.0000
900 0.5797 nan 0.0300 -0.0000
920 0.5790 nan 0.0300 -0.0000
940 0.5783 nan 0.0300 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0800 nan 0.0324 0.0101
2 1.0611 nan 0.0324 0.0093
3 1.0435 nan 0.0324 0.0088
4 1.0272 nan 0.0324 0.0081
5 1.0121 nan 0.0324 0.0074
6 0.9979 nan 0.0324 0.0071
7 0.9845 nan 0.0324 0.0065
8 0.9716 nan 0.0324 0.0064
9 0.9596 nan 0.0324 0.0059
10 0.9485 nan 0.0324 0.0056
20 0.8596 nan 0.0324 0.0037
40 0.7682 nan 0.0324 0.0014
60 0.7183 nan 0.0324 0.0008
80 0.6856 nan 0.0324 0.0006
100 0.6641 nan 0.0324 0.0004
120 0.6489 nan 0.0324 0.0003
140 0.6374 nan 0.0324 0.0001
160 0.6295 nan 0.0324 0.0001
180 0.6222 nan 0.0324 0.0000
195 0.6176 nan 0.0324 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0796 nan 0.0327 0.0102
2 1.0605 nan 0.0327 0.0096
3 1.0427 nan 0.0327 0.0087
4 1.0264 nan 0.0327 0.0081
5 1.0117 nan 0.0327 0.0074
6 0.9975 nan 0.0327 0.0071
7 0.9840 nan 0.0327 0.0069
8 0.9715 nan 0.0327 0.0062
9 0.9595 nan 0.0327 0.0060
10 0.9481 nan 0.0327 0.0056
20 0.8604 nan 0.0327 0.0037
40 0.7680 nan 0.0327 0.0014
60 0.7179 nan 0.0327 0.0010
80 0.6851 nan 0.0327 0.0005
100 0.6636 nan 0.0327 0.0004
120 0.6486 nan 0.0327 0.0004
140 0.6382 nan 0.0327 0.0001
160 0.6299 nan 0.0327 0.0001
180 0.6230 nan 0.0327 0.0001
200 0.6180 nan 0.0327 0.0000
220 0.6129 nan 0.0327 0.0001
240 0.6087 nan 0.0327 0.0001
260 0.6051 nan 0.0327 0.0000
280 0.6018 nan 0.0327 -0.0000
300 0.5987 nan 0.0327 0.0001
320 0.5962 nan 0.0327 -0.0000
340 0.5935 nan 0.0327 0.0001
360 0.5914 nan 0.0327 0.0000
380 0.5895 nan 0.0327 0.0000
400 0.5877 nan 0.0327 0.0000
420 0.5862 nan 0.0327 0.0000
439 0.5841 nan 0.0327 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0863 nan 0.0359 0.0070
2 1.0730 nan 0.0359 0.0065
3 1.0610 nan 0.0359 0.0060
4 1.0497 nan 0.0359 0.0056
5 1.0391 nan 0.0359 0.0052
6 1.0294 nan 0.0359 0.0049
7 1.0203 nan 0.0359 0.0045
8 1.0117 nan 0.0359 0.0042
9 1.0041 nan 0.0359 0.0037
10 0.9958 nan 0.0359 0.0042
20 0.9318 nan 0.0359 0.0030
40 0.8523 nan 0.0359 0.0018
60 0.8045 nan 0.0359 0.0011
80 0.7709 nan 0.0359 0.0008
100 0.7451 nan 0.0359 0.0007
120 0.7248 nan 0.0359 0.0005
140 0.7084 nan 0.0359 0.0004
160 0.6946 nan 0.0359 0.0002
180 0.6834 nan 0.0359 0.0003
200 0.6733 nan 0.0359 0.0002
220 0.6658 nan 0.0359 0.0002
240 0.6588 nan 0.0359 0.0001
260 0.6522 nan 0.0359 0.0001
280 0.6474 nan 0.0359 0.0001
300 0.6435 nan 0.0359 0.0001
320 0.6395 nan 0.0359 0.0001
340 0.6367 nan 0.0359 0.0000
360 0.6336 nan 0.0359 0.0000
380 0.6312 nan 0.0359 0.0000
400 0.6291 nan 0.0359 0.0000
420 0.6270 nan 0.0359 0.0000
440 0.6248 nan 0.0359 0.0000
460 0.6232 nan 0.0359 0.0000
480 0.6214 nan 0.0359 0.0000
500 0.6197 nan 0.0359 0.0000
520 0.6183 nan 0.0359 0.0000
540 0.6171 nan 0.0359 0.0000
560 0.6158 nan 0.0359 -0.0000
580 0.6146 nan 0.0359 0.0000
600 0.6133 nan 0.0359 0.0000
620 0.6120 nan 0.0359 0.0000
640 0.6109 nan 0.0359 0.0000
660 0.6099 nan 0.0359 0.0000
680 0.6089 nan 0.0359 0.0000
700 0.6079 nan 0.0359 0.0000
720 0.6070 nan 0.0359 0.0000
740 0.6058 nan 0.0359 -0.0000
760 0.6050 nan 0.0359 -0.0000
780 0.6041 nan 0.0359 -0.0000
800 0.6034 nan 0.0359 0.0000
820 0.6025 nan 0.0359 0.0000
840 0.6018 nan 0.0359 -0.0000
855 0.6014 nan 0.0359 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0742 nan 0.0373 0.0133
2 1.0510 nan 0.0373 0.0117
3 1.0295 nan 0.0373 0.0107
4 1.0097 nan 0.0373 0.0098
5 0.9920 nan 0.0373 0.0089
6 0.9754 nan 0.0373 0.0080
7 0.9603 nan 0.0373 0.0075
8 0.9463 nan 0.0373 0.0069
9 0.9335 nan 0.0373 0.0064
10 0.9212 nan 0.0373 0.0063
20 0.8306 nan 0.0373 0.0036
40 0.7347 nan 0.0373 0.0016
60 0.6843 nan 0.0373 0.0009
80 0.6557 nan 0.0373 0.0004
100 0.6381 nan 0.0373 0.0002
120 0.6260 nan 0.0373 0.0002
140 0.6171 nan 0.0373 0.0002
160 0.6099 nan 0.0373 0.0001
180 0.6046 nan 0.0373 0.0001
200 0.5997 nan 0.0373 0.0001
220 0.5957 nan 0.0373 0.0000
240 0.5923 nan 0.0373 0.0000
260 0.5894 nan 0.0373 0.0000
280 0.5871 nan 0.0373 -0.0000
300 0.5843 nan 0.0373 -0.0000
320 0.5817 nan 0.0373 -0.0000
340 0.5794 nan 0.0373 0.0000
360 0.5774 nan 0.0373 0.0000
380 0.5754 nan 0.0373 -0.0000
400 0.5736 nan 0.0373 -0.0000
420 0.5721 nan 0.0373 -0.0000
440 0.5704 nan 0.0373 0.0000
460 0.5690 nan 0.0373 0.0000
480 0.5678 nan 0.0373 -0.0000
500 0.5662 nan 0.0373 -0.0000
520 0.5649 nan 0.0373 -0.0000
527 0.5643 nan 0.0373 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0734 nan 0.0379 0.0133
2 1.0497 nan 0.0379 0.0122
3 1.0287 nan 0.0379 0.0106
4 1.0090 nan 0.0379 0.0099
5 0.9909 nan 0.0379 0.0092
6 0.9740 nan 0.0379 0.0082
7 0.9593 nan 0.0379 0.0077
8 0.9451 nan 0.0379 0.0072
9 0.9319 nan 0.0379 0.0065
10 0.9197 nan 0.0379 0.0063
20 0.8293 nan 0.0379 0.0033
40 0.7325 nan 0.0379 0.0017
60 0.6842 nan 0.0379 0.0009
80 0.6554 nan 0.0379 0.0007
100 0.6376 nan 0.0379 0.0003
120 0.6251 nan 0.0379 0.0002
140 0.6160 nan 0.0379 0.0002
160 0.6088 nan 0.0379 0.0001
180 0.6029 nan 0.0379 0.0000
200 0.5980 nan 0.0379 0.0000
220 0.5939 nan 0.0379 0.0001
240 0.5902 nan 0.0379 0.0000
260 0.5870 nan 0.0379 0.0000
280 0.5838 nan 0.0379 0.0000
300 0.5810 nan 0.0379 0.0001
320 0.5785 nan 0.0379 0.0001
340 0.5762 nan 0.0379 0.0000
342 0.5760 nan 0.0379 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0752 nan 0.0398 0.0125
2 1.0526 nan 0.0398 0.0114
3 1.0321 nan 0.0398 0.0105
4 1.0133 nan 0.0398 0.0093
5 0.9954 nan 0.0398 0.0089
6 0.9789 nan 0.0398 0.0081
7 0.9638 nan 0.0398 0.0075
8 0.9496 nan 0.0398 0.0071
9 0.9367 nan 0.0398 0.0064
10 0.9249 nan 0.0398 0.0057
20 0.8301 nan 0.0398 0.0036
40 0.7415 nan 0.0398 0.0015
60 0.6933 nan 0.0398 0.0008
80 0.6648 nan 0.0398 0.0006
100 0.6456 nan 0.0398 0.0003
120 0.6335 nan 0.0398 0.0002
140 0.6243 nan 0.0398 0.0002
160 0.6171 nan 0.0398 0.0001
180 0.6114 nan 0.0398 0.0000
200 0.6058 nan 0.0398 0.0000
220 0.6018 nan 0.0398 0.0000
240 0.5978 nan 0.0398 0.0000
260 0.5946 nan 0.0398 -0.0000
280 0.5912 nan 0.0398 0.0001
300 0.5884 nan 0.0398 0.0000
320 0.5863 nan 0.0398 0.0000
340 0.5845 nan 0.0398 -0.0000
360 0.5823 nan 0.0398 0.0001
380 0.5805 nan 0.0398 -0.0000
400 0.5784 nan 0.0398 -0.0000
420 0.5765 nan 0.0398 0.0000
440 0.5745 nan 0.0398 -0.0000
460 0.5729 nan 0.0398 0.0001
480 0.5715 nan 0.0398 -0.0000
500 0.5702 nan 0.0398 -0.0000
520 0.5687 nan 0.0398 0.0000
540 0.5673 nan 0.0398 0.0001
560 0.5660 nan 0.0398 0.0001
580 0.5647 nan 0.0398 -0.0000
600 0.5637 nan 0.0398 0.0000
620 0.5628 nan 0.0398 -0.0000
640 0.5620 nan 0.0398 -0.0000
660 0.5606 nan 0.0398 -0.0000
680 0.5597 nan 0.0398 -0.0000
700 0.5582 nan 0.0398 -0.0000
720 0.5572 nan 0.0398 -0.0000
740 0.5561 nan 0.0398 -0.0000
760 0.5552 nan 0.0398 0.0000
780 0.5545 nan 0.0398 -0.0000
800 0.5537 nan 0.0398 -0.0000
820 0.5529 nan 0.0398 -0.0000
840 0.5522 nan 0.0398 -0.0000
860 0.5514 nan 0.0398 -0.0000
880 0.5504 nan 0.0398 -0.0000
900 0.5495 nan 0.0398 0.0001
919 0.5489 nan 0.0398 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0845 nan 0.0410 0.0080
2 1.0697 nan 0.0410 0.0073
3 1.0566 nan 0.0410 0.0068
4 1.0441 nan 0.0410 0.0062
5 1.0326 nan 0.0410 0.0057
6 1.0227 nan 0.0410 0.0047
7 1.0125 nan 0.0410 0.0052
8 1.0025 nan 0.0410 0.0048
9 0.9943 nan 0.0410 0.0041
10 0.9854 nan 0.0410 0.0044
20 0.9208 nan 0.0410 0.0023
40 0.8372 nan 0.0410 0.0012
60 0.7887 nan 0.0410 0.0012
80 0.7556 nan 0.0410 0.0007
100 0.7301 nan 0.0410 0.0006
120 0.7094 nan 0.0410 0.0005
140 0.6942 nan 0.0410 0.0004
160 0.6813 nan 0.0410 0.0002
180 0.6714 nan 0.0410 0.0001
200 0.6620 nan 0.0410 0.0002
220 0.6548 nan 0.0410 0.0001
240 0.6493 nan 0.0410 0.0001
260 0.6441 nan 0.0410 0.0001
280 0.6403 nan 0.0410 0.0001
284 0.6397 nan 0.0410 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0674 nan 0.0452 0.0165
2 1.0382 nan 0.0452 0.0144
3 1.0129 nan 0.0452 0.0125
4 0.9900 nan 0.0452 0.0114
5 0.9692 nan 0.0452 0.0105
6 0.9500 nan 0.0452 0.0093
7 0.9329 nan 0.0452 0.0087
8 0.9170 nan 0.0452 0.0077
9 0.9020 nan 0.0452 0.0072
10 0.8887 nan 0.0452 0.0066
20 0.7927 nan 0.0452 0.0036
40 0.6994 nan 0.0452 0.0011
60 0.6529 nan 0.0452 0.0009
80 0.6305 nan 0.0452 0.0006
100 0.6143 nan 0.0452 0.0002
120 0.6029 nan 0.0452 0.0004
140 0.5942 nan 0.0452 0.0000
160 0.5876 nan 0.0452 0.0000
180 0.5827 nan 0.0452 -0.0000
200 0.5772 nan 0.0452 0.0000
220 0.5735 nan 0.0452 -0.0000
240 0.5696 nan 0.0452 -0.0000
260 0.5668 nan 0.0452 0.0001
280 0.5637 nan 0.0452 -0.0001
300 0.5610 nan 0.0452 -0.0000
302 0.5608 nan 0.0452 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0821 nan 0.0466 0.0091
2 1.0655 nan 0.0466 0.0082
3 1.0503 nan 0.0466 0.0074
4 1.0365 nan 0.0466 0.0067
5 1.0245 nan 0.0466 0.0062
6 1.0134 nan 0.0466 0.0055
7 1.0023 nan 0.0466 0.0056
8 0.9932 nan 0.0466 0.0044
9 0.9829 nan 0.0466 0.0050
10 0.9736 nan 0.0466 0.0046
20 0.9035 nan 0.0466 0.0032
40 0.8210 nan 0.0466 0.0011
60 0.7726 nan 0.0466 0.0011
80 0.7398 nan 0.0466 0.0006
100 0.7161 nan 0.0466 0.0004
120 0.6965 nan 0.0466 0.0003
140 0.6821 nan 0.0466 0.0003
160 0.6699 nan 0.0466 0.0003
180 0.6603 nan 0.0466 0.0001
200 0.6529 nan 0.0466 0.0002
220 0.6467 nan 0.0466 0.0002
240 0.6417 nan 0.0466 0.0001
260 0.6376 nan 0.0466 0.0001
280 0.6331 nan 0.0466 0.0002
300 0.6303 nan 0.0466 0.0000
320 0.6274 nan 0.0466 0.0000
340 0.6248 nan 0.0466 0.0000
360 0.6226 nan 0.0466 0.0000
380 0.6205 nan 0.0466 0.0000
386 0.6200 nan 0.0466 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0680 nan 0.0467 0.0162
2 1.0392 nan 0.0467 0.0141
3 1.0135 nan 0.0467 0.0125
4 0.9904 nan 0.0467 0.0112
5 0.9698 nan 0.0467 0.0104
6 0.9512 nan 0.0467 0.0091
7 0.9345 nan 0.0467 0.0084
8 0.9188 nan 0.0467 0.0076
9 0.9048 nan 0.0467 0.0070
10 0.8915 nan 0.0467 0.0065
20 0.8000 nan 0.0467 0.0031
40 0.7052 nan 0.0467 0.0017
60 0.6626 nan 0.0467 0.0006
80 0.6372 nan 0.0467 0.0005
100 0.6216 nan 0.0467 0.0003
120 0.6110 nan 0.0467 0.0002
140 0.6030 nan 0.0467 0.0001
160 0.5963 nan 0.0467 0.0002
180 0.5903 nan 0.0467 0.0001
200 0.5858 nan 0.0467 -0.0000
220 0.5823 nan 0.0467 0.0000
240 0.5781 nan 0.0467 0.0000
260 0.5753 nan 0.0467 0.0000
280 0.5723 nan 0.0467 -0.0000
300 0.5698 nan 0.0467 -0.0000
320 0.5672 nan 0.0467 -0.0000
340 0.5651 nan 0.0467 -0.0000
360 0.5631 nan 0.0467 -0.0000
380 0.5611 nan 0.0467 -0.0000
400 0.5591 nan 0.0467 -0.0001
420 0.5574 nan 0.0467 0.0000
440 0.5558 nan 0.0467 -0.0000
460 0.5545 nan 0.0467 -0.0000
480 0.5528 nan 0.0467 -0.0000
500 0.5511 nan 0.0467 -0.0000
520 0.5497 nan 0.0467 -0.0000
540 0.5484 nan 0.0467 -0.0000
560 0.5472 nan 0.0467 -0.0000
580 0.5461 nan 0.0467 -0.0000
600 0.5445 nan 0.0467 -0.0000
620 0.5436 nan 0.0467 -0.0000
640 0.5423 nan 0.0467 -0.0000
660 0.5412 nan 0.0467 -0.0000
680 0.5401 nan 0.0467 -0.0000
700 0.5390 nan 0.0467 -0.0000
720 0.5378 nan 0.0467 -0.0000
740 0.5366 nan 0.0467 -0.0000
753 0.5359 nan 0.0467 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0687 nan 0.0497 0.0157
2 1.0414 nan 0.0497 0.0136
3 1.0168 nan 0.0497 0.0123
4 0.9947 nan 0.0497 0.0109
5 0.9751 nan 0.0497 0.0100
6 0.9565 nan 0.0497 0.0091
7 0.9398 nan 0.0497 0.0081
8 0.9245 nan 0.0497 0.0077
9 0.9085 nan 0.0497 0.0081
10 0.8937 nan 0.0497 0.0073
20 0.8030 nan 0.0497 0.0030
40 0.7148 nan 0.0497 0.0015
60 0.6708 nan 0.0497 0.0009
80 0.6472 nan 0.0497 0.0002
100 0.6311 nan 0.0497 0.0002
120 0.6199 nan 0.0497 0.0001
140 0.6124 nan 0.0497 0.0000
160 0.6063 nan 0.0497 0.0001
180 0.6016 nan 0.0497 0.0001
200 0.5964 nan 0.0497 0.0001
220 0.5928 nan 0.0497 0.0001
240 0.5886 nan 0.0497 -0.0000
260 0.5860 nan 0.0497 0.0000
280 0.5832 nan 0.0497 -0.0000
300 0.5807 nan 0.0497 -0.0000
320 0.5785 nan 0.0497 0.0000
340 0.5762 nan 0.0497 0.0000
360 0.5742 nan 0.0497 0.0000
380 0.5724 nan 0.0497 0.0000
400 0.5708 nan 0.0497 0.0001
420 0.5695 nan 0.0497 0.0000
440 0.5676 nan 0.0497 -0.0000
460 0.5661 nan 0.0497 -0.0000
480 0.5647 nan 0.0497 -0.0000
500 0.5630 nan 0.0497 -0.0000
520 0.5617 nan 0.0497 -0.0000
540 0.5604 nan 0.0497 -0.0000
553 0.5596 nan 0.0497 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0731 nan 0.0500 0.0133
2 1.0496 nan 0.0500 0.0119
3 1.0285 nan 0.0500 0.0106
4 1.0089 nan 0.0500 0.0097
5 0.9918 nan 0.0500 0.0086
6 0.9748 nan 0.0500 0.0081
7 0.9608 nan 0.0500 0.0072
8 0.9441 nan 0.0500 0.0083
9 0.9319 nan 0.0500 0.0059
10 0.9176 nan 0.0500 0.0071
20 0.8304 nan 0.0500 0.0027
40 0.7440 nan 0.0500 0.0012
60 0.6984 nan 0.0500 0.0008
80 0.6698 nan 0.0500 0.0004
100 0.6519 nan 0.0500 0.0002
120 0.6400 nan 0.0500 0.0003
140 0.6309 nan 0.0500 0.0001
160 0.6241 nan 0.0500 0.0001
180 0.6186 nan 0.0500 0.0001
200 0.6145 nan 0.0500 0.0001
220 0.6104 nan 0.0500 0.0000
240 0.6066 nan 0.0500 0.0001
260 0.6035 nan 0.0500 0.0000
280 0.6006 nan 0.0500 0.0000
300 0.5983 nan 0.0500 -0.0000
320 0.5962 nan 0.0500 -0.0000
340 0.5939 nan 0.0500 0.0001
360 0.5923 nan 0.0500 0.0000
380 0.5904 nan 0.0500 0.0001
400 0.5888 nan 0.0500 -0.0001
420 0.5870 nan 0.0500 0.0000
440 0.5859 nan 0.0500 -0.0000
460 0.5845 nan 0.0500 0.0000
480 0.5831 nan 0.0500 -0.0000
500 0.5818 nan 0.0500 -0.0000
520 0.5807 nan 0.0500 -0.0000
540 0.5794 nan 0.0500 -0.0000
560 0.5783 nan 0.0500 0.0000
580 0.5773 nan 0.0500 -0.0000
600 0.5761 nan 0.0500 0.0001
620 0.5746 nan 0.0500 -0.0000
640 0.5737 nan 0.0500 0.0000
660 0.5727 nan 0.0500 -0.0001
680 0.5716 nan 0.0500 -0.0000
700 0.5708 nan 0.0500 -0.0000
720 0.5701 nan 0.0500 -0.0000
740 0.5690 nan 0.0500 0.0000
760 0.5680 nan 0.0500 0.0000
780 0.5671 nan 0.0500 -0.0000
800 0.5664 nan 0.0500 0.0000
820 0.5654 nan 0.0500 -0.0000
840 0.5647 nan 0.0500 0.0000
860 0.5641 nan 0.0500 -0.0000
880 0.5635 nan 0.0500 -0.0000
900 0.5630 nan 0.0500 -0.0000
907 0.5629 nan 0.0500 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0716 nan 0.0528 0.0145
2 1.0468 nan 0.0528 0.0125
3 1.0243 nan 0.0528 0.0110
4 1.0042 nan 0.0528 0.0100
5 0.9854 nan 0.0528 0.0091
6 0.9690 nan 0.0528 0.0080
7 0.9539 nan 0.0528 0.0075
8 0.9368 nan 0.0528 0.0083
9 0.9214 nan 0.0528 0.0078
10 0.9078 nan 0.0528 0.0069
20 0.8223 nan 0.0528 0.0028
40 0.7373 nan 0.0528 0.0015
60 0.6936 nan 0.0528 0.0008
80 0.6656 nan 0.0528 0.0006
100 0.6478 nan 0.0528 0.0003
120 0.6364 nan 0.0528 0.0002
140 0.6283 nan 0.0528 0.0000
160 0.6219 nan 0.0528 0.0002
180 0.6160 nan 0.0528 0.0001
200 0.6117 nan 0.0528 0.0001
220 0.6075 nan 0.0528 0.0000
225 0.6066 nan 0.0528 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0711 nan 0.0536 0.0148
2 1.0463 nan 0.0536 0.0124
3 1.0234 nan 0.0536 0.0113
4 1.0030 nan 0.0536 0.0103
5 0.9845 nan 0.0536 0.0088
6 0.9679 nan 0.0536 0.0079
7 0.9497 nan 0.0536 0.0092
8 0.9356 nan 0.0536 0.0070
9 0.9200 nan 0.0536 0.0077
10 0.9060 nan 0.0536 0.0069
20 0.8190 nan 0.0536 0.0030
40 0.7365 nan 0.0536 0.0011
60 0.6903 nan 0.0536 0.0010
80 0.6632 nan 0.0536 0.0005
100 0.6474 nan 0.0536 0.0002
120 0.6352 nan 0.0536 0.0003
140 0.6273 nan 0.0536 0.0001
160 0.6209 nan 0.0536 0.0001
180 0.6158 nan 0.0536 0.0000
200 0.6111 nan 0.0536 0.0000
220 0.6074 nan 0.0536 0.0000
240 0.6044 nan 0.0536 0.0000
260 0.6017 nan 0.0536 0.0000
280 0.5990 nan 0.0536 0.0001
283 0.5985 nan 0.0536 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0797 nan 0.0552 0.0107
2 1.0609 nan 0.0552 0.0096
3 1.0437 nan 0.0552 0.0085
4 1.0282 nan 0.0552 0.0076
5 1.0142 nan 0.0552 0.0068
6 1.0016 nan 0.0552 0.0065
7 0.9910 nan 0.0552 0.0051
8 0.9792 nan 0.0552 0.0060
9 0.9682 nan 0.0552 0.0054
10 0.9597 nan 0.0552 0.0042
20 0.8840 nan 0.0552 0.0031
40 0.8009 nan 0.0552 0.0014
60 0.7528 nan 0.0552 0.0011
80 0.7206 nan 0.0552 0.0009
100 0.6988 nan 0.0552 0.0004
120 0.6801 nan 0.0552 0.0004
140 0.6672 nan 0.0552 0.0005
160 0.6557 nan 0.0552 0.0003
180 0.6485 nan 0.0552 0.0001
200 0.6424 nan 0.0552 0.0002
220 0.6368 nan 0.0552 0.0001
240 0.6326 nan 0.0552 0.0001
260 0.6291 nan 0.0552 0.0000
280 0.6262 nan 0.0552 0.0000
300 0.6231 nan 0.0552 0.0001
320 0.6205 nan 0.0552 0.0000
340 0.6181 nan 0.0552 0.0001
360 0.6160 nan 0.0552 0.0000
380 0.6142 nan 0.0552 -0.0000
400 0.6120 nan 0.0552 0.0001
420 0.6102 nan 0.0552 0.0000
440 0.6086 nan 0.0552 -0.0000
460 0.6070 nan 0.0552 -0.0000
480 0.6055 nan 0.0552 0.0000
500 0.6041 nan 0.0552 0.0000
520 0.6029 nan 0.0552 0.0000
540 0.6016 nan 0.0552 -0.0000
560 0.6006 nan 0.0552 -0.0000
580 0.5998 nan 0.0552 0.0000
600 0.5989 nan 0.0552 -0.0000
620 0.5980 nan 0.0552 0.0000
640 0.5971 nan 0.0552 -0.0000
660 0.5962 nan 0.0552 0.0000
680 0.5956 nan 0.0552 -0.0000
700 0.5948 nan 0.0552 -0.0000
720 0.5942 nan 0.0552 -0.0000
740 0.5935 nan 0.0552 -0.0000
760 0.5931 nan 0.0552 -0.0000
780 0.5924 nan 0.0552 -0.0000
800 0.5917 nan 0.0552 -0.0000
820 0.5912 nan 0.0552 -0.0000
840 0.5905 nan 0.0552 -0.0000
860 0.5900 nan 0.0552 -0.0000
880 0.5896 nan 0.0552 -0.0000
900 0.5892 nan 0.0552 -0.0000
920 0.5886 nan 0.0552 -0.0000
940 0.5882 nan 0.0552 -0.0000
956 0.5878 nan 0.0552 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0699 nan 0.0555 0.0150
2 1.0438 nan 0.0555 0.0131
3 1.0213 nan 0.0555 0.0113
4 1.0002 nan 0.0555 0.0105
5 0.9817 nan 0.0555 0.0094
6 0.9650 nan 0.0555 0.0082
7 0.9454 nan 0.0555 0.0094
8 0.9285 nan 0.0555 0.0085
9 0.9133 nan 0.0555 0.0077
10 0.9012 nan 0.0555 0.0058
20 0.8156 nan 0.0555 0.0030
40 0.7320 nan 0.0555 0.0011
60 0.6883 nan 0.0555 0.0008
80 0.6626 nan 0.0555 0.0004
100 0.6462 nan 0.0555 0.0002
120 0.6347 nan 0.0555 0.0002
140 0.6264 nan 0.0555 0.0002
160 0.6203 nan 0.0555 0.0001
180 0.6151 nan 0.0555 0.0002
200 0.6108 nan 0.0555 0.0001
220 0.6070 nan 0.0555 0.0000
240 0.6034 nan 0.0555 0.0000
260 0.6008 nan 0.0555 0.0000
280 0.5985 nan 0.0555 -0.0000
300 0.5961 nan 0.0555 0.0000
320 0.5937 nan 0.0555 0.0000
340 0.5918 nan 0.0555 -0.0000
360 0.5898 nan 0.0555 0.0000
380 0.5880 nan 0.0555 0.0000
400 0.5860 nan 0.0555 -0.0000
420 0.5844 nan 0.0555 0.0001
440 0.5828 nan 0.0555 0.0001
460 0.5815 nan 0.0555 0.0000
480 0.5801 nan 0.0555 -0.0000
493 0.5792 nan 0.0555 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0591 nan 0.0614 0.0208
2 1.0232 nan 0.0614 0.0179
3 0.9925 nan 0.0614 0.0152
4 0.9658 nan 0.0614 0.0134
5 0.9423 nan 0.0614 0.0118
6 0.9212 nan 0.0614 0.0102
7 0.9017 nan 0.0614 0.0096
8 0.8851 nan 0.0614 0.0083
9 0.8698 nan 0.0614 0.0076
10 0.8561 nan 0.0614 0.0068
20 0.7580 nan 0.0614 0.0036
40 0.6730 nan 0.0614 0.0012
60 0.6392 nan 0.0614 0.0007
80 0.6210 nan 0.0614 0.0002
100 0.6091 nan 0.0614 0.0001
120 0.6010 nan 0.0614 0.0001
140 0.5949 nan 0.0614 -0.0000
160 0.5895 nan 0.0614 0.0001
180 0.5855 nan 0.0614 -0.0000
200 0.5817 nan 0.0614 0.0001
220 0.5786 nan 0.0614 0.0000
240 0.5760 nan 0.0614 -0.0000
260 0.5732 nan 0.0614 -0.0001
280 0.5706 nan 0.0614 -0.0001
300 0.5684 nan 0.0614 0.0000
320 0.5665 nan 0.0614 -0.0000
340 0.5641 nan 0.0614 -0.0000
360 0.5622 nan 0.0614 -0.0000
380 0.5604 nan 0.0614 -0.0000
400 0.5588 nan 0.0614 -0.0001
420 0.5572 nan 0.0614 -0.0000
436 0.5559 nan 0.0614 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0545 nan 0.0636 0.0230
2 1.0161 nan 0.0636 0.0187
3 0.9838 nan 0.0636 0.0163
4 0.9554 nan 0.0636 0.0141
5 0.9305 nan 0.0636 0.0124
6 0.9087 nan 0.0636 0.0109
7 0.8889 nan 0.0636 0.0099
8 0.8715 nan 0.0636 0.0086
9 0.8557 nan 0.0636 0.0080
10 0.8410 nan 0.0636 0.0073
20 0.7424 nan 0.0636 0.0032
40 0.6595 nan 0.0636 0.0010
60 0.6254 nan 0.0636 0.0006
80 0.6059 nan 0.0636 0.0004
100 0.5934 nan 0.0636 0.0001
120 0.5855 nan 0.0636 0.0001
140 0.5793 nan 0.0636 0.0000
160 0.5727 nan 0.0636 0.0001
180 0.5666 nan 0.0636 -0.0001
200 0.5629 nan 0.0636 -0.0000
220 0.5591 nan 0.0636 0.0000
240 0.5557 nan 0.0636 -0.0000
260 0.5523 nan 0.0636 -0.0001
280 0.5492 nan 0.0636 -0.0000
300 0.5467 nan 0.0636 -0.0000
320 0.5441 nan 0.0636 -0.0001
340 0.5420 nan 0.0636 -0.0001
360 0.5399 nan 0.0636 -0.0000
380 0.5379 nan 0.0636 -0.0001
400 0.5360 nan 0.0636 -0.0000
420 0.5340 nan 0.0636 -0.0000
440 0.5320 nan 0.0636 -0.0001
460 0.5302 nan 0.0636 -0.0001
480 0.5279 nan 0.0636 -0.0001
500 0.5259 nan 0.0636 -0.0000
520 0.5240 nan 0.0636 -0.0001
540 0.5225 nan 0.0636 -0.0001
560 0.5207 nan 0.0636 -0.0000
580 0.5191 nan 0.0636 -0.0000
586 0.5186 nan 0.0636 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0539 nan 0.0644 0.0231
2 1.0159 nan 0.0644 0.0189
3 0.9829 nan 0.0644 0.0165
4 0.9547 nan 0.0644 0.0140
5 0.9294 nan 0.0644 0.0126
6 0.9077 nan 0.0644 0.0110
7 0.8875 nan 0.0644 0.0098
8 0.8698 nan 0.0644 0.0088
9 0.8538 nan 0.0644 0.0079
10 0.8396 nan 0.0644 0.0070
20 0.7405 nan 0.0644 0.0036
40 0.6564 nan 0.0644 0.0011
60 0.6247 nan 0.0644 0.0003
80 0.6062 nan 0.0644 0.0002
100 0.5943 nan 0.0644 0.0000
120 0.5855 nan 0.0644 0.0000
140 0.5793 nan 0.0644 0.0001
160 0.5734 nan 0.0644 0.0000
180 0.5691 nan 0.0644 -0.0000
200 0.5649 nan 0.0644 -0.0000
220 0.5615 nan 0.0644 -0.0001
240 0.5578 nan 0.0644 0.0000
260 0.5554 nan 0.0644 -0.0001
280 0.5528 nan 0.0644 -0.0000
300 0.5504 nan 0.0644 -0.0001
320 0.5476 nan 0.0644 -0.0000
340 0.5453 nan 0.0644 -0.0001
360 0.5430 nan 0.0644 -0.0000
380 0.5411 nan 0.0644 -0.0000
400 0.5390 nan 0.0644 0.0000
420 0.5367 nan 0.0644 -0.0001
440 0.5350 nan 0.0644 -0.0001
460 0.5336 nan 0.0644 -0.0000
480 0.5318 nan 0.0644 -0.0000
500 0.5301 nan 0.0644 -0.0000
520 0.5288 nan 0.0644 -0.0001
540 0.5270 nan 0.0644 -0.0001
560 0.5256 nan 0.0644 -0.0000
580 0.5241 nan 0.0644 -0.0001
600 0.5227 nan 0.0644 -0.0001
620 0.5213 nan 0.0644 -0.0001
640 0.5199 nan 0.0644 -0.0001
660 0.5184 nan 0.0644 -0.0000
680 0.5173 nan 0.0644 -0.0001
700 0.5160 nan 0.0644 -0.0001
720 0.5146 nan 0.0644 -0.0001
740 0.5135 nan 0.0644 -0.0000
760 0.5124 nan 0.0644 -0.0000
780 0.5112 nan 0.0644 -0.0001
800 0.5097 nan 0.0644 -0.0001
820 0.5086 nan 0.0644 -0.0001
840 0.5075 nan 0.0644 -0.0001
860 0.5063 nan 0.0644 -0.0001
880 0.5050 nan 0.0644 -0.0001
897 0.5041 nan 0.0644 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0546 nan 0.0662 0.0232
2 1.0168 nan 0.0662 0.0189
3 0.9851 nan 0.0662 0.0160
4 0.9572 nan 0.0662 0.0141
5 0.9332 nan 0.0662 0.0121
6 0.9117 nan 0.0662 0.0106
7 0.8924 nan 0.0662 0.0093
8 0.8753 nan 0.0662 0.0084
9 0.8604 nan 0.0662 0.0075
10 0.8472 nan 0.0662 0.0067
20 0.7474 nan 0.0662 0.0035
40 0.6678 nan 0.0662 0.0009
60 0.6355 nan 0.0662 0.0005
80 0.6168 nan 0.0662 0.0004
100 0.6056 nan 0.0662 0.0001
120 0.5985 nan 0.0662 0.0001
140 0.5931 nan 0.0662 0.0000
160 0.5883 nan 0.0662 0.0001
180 0.5839 nan 0.0662 -0.0000
200 0.5806 nan 0.0662 -0.0000
220 0.5772 nan 0.0662 0.0001
240 0.5747 nan 0.0662 0.0000
260 0.5719 nan 0.0662 0.0000
280 0.5698 nan 0.0662 0.0000
300 0.5676 nan 0.0662 -0.0001
320 0.5659 nan 0.0662 -0.0000
340 0.5637 nan 0.0662 -0.0001
354 0.5625 nan 0.0662 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0550 nan 0.0663 0.0234
2 1.0168 nan 0.0663 0.0191
3 0.9843 nan 0.0663 0.0161
4 0.9566 nan 0.0663 0.0137
5 0.9309 nan 0.0663 0.0127
6 0.9095 nan 0.0663 0.0105
7 0.8903 nan 0.0663 0.0097
8 0.8732 nan 0.0663 0.0084
9 0.8584 nan 0.0663 0.0073
10 0.8439 nan 0.0663 0.0072
20 0.7471 nan 0.0663 0.0031
40 0.6646 nan 0.0663 0.0011
60 0.6315 nan 0.0663 0.0003
80 0.6135 nan 0.0663 0.0002
100 0.6018 nan 0.0663 0.0001
120 0.5934 nan 0.0663 0.0001
140 0.5867 nan 0.0663 -0.0000
160 0.5803 nan 0.0663 0.0001
180 0.5757 nan 0.0663 0.0001
200 0.5712 nan 0.0663 -0.0000
220 0.5678 nan 0.0663 -0.0000
240 0.5640 nan 0.0663 -0.0000
260 0.5607 nan 0.0663 -0.0000
280 0.5583 nan 0.0663 0.0000
300 0.5552 nan 0.0663 -0.0000
320 0.5531 nan 0.0663 0.0001
340 0.5502 nan 0.0663 0.0000
355 0.5480 nan 0.0663 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0633 nan 0.0685 0.0186
2 1.0324 nan 0.0685 0.0153
3 1.0056 nan 0.0685 0.0135
4 0.9829 nan 0.0685 0.0112
5 0.9619 nan 0.0685 0.0103
6 0.9399 nan 0.0685 0.0112
7 0.9228 nan 0.0685 0.0085
8 0.9050 nan 0.0685 0.0092
9 0.8923 nan 0.0685 0.0064
10 0.8773 nan 0.0685 0.0074
20 0.7908 nan 0.0685 0.0026
40 0.7088 nan 0.0685 0.0013
60 0.6683 nan 0.0685 0.0010
80 0.6463 nan 0.0685 0.0005
100 0.6328 nan 0.0685 0.0001
120 0.6234 nan 0.0685 0.0003
140 0.6162 nan 0.0685 0.0001
160 0.6109 nan 0.0685 0.0000
180 0.6064 nan 0.0685 0.0000
200 0.6025 nan 0.0685 0.0000
220 0.5996 nan 0.0685 -0.0000
240 0.5966 nan 0.0685 0.0000
260 0.5937 nan 0.0685 0.0000
280 0.5914 nan 0.0685 0.0000
300 0.5894 nan 0.0685 0.0000
320 0.5876 nan 0.0685 0.0000
340 0.5859 nan 0.0685 -0.0000
360 0.5845 nan 0.0685 -0.0000
380 0.5831 nan 0.0685 -0.0000
400 0.5817 nan 0.0685 -0.0000
406 0.5813 nan 0.0685 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0626 nan 0.0687 0.0188
2 1.0322 nan 0.0687 0.0153
3 1.0048 nan 0.0687 0.0136
4 0.9815 nan 0.0687 0.0115
5 0.9612 nan 0.0687 0.0099
6 0.9380 nan 0.0687 0.0119
7 0.9182 nan 0.0687 0.0099
8 0.9011 nan 0.0687 0.0088
9 0.8860 nan 0.0687 0.0074
10 0.8724 nan 0.0687 0.0068
20 0.7896 nan 0.0687 0.0034
40 0.7073 nan 0.0687 0.0013
60 0.6669 nan 0.0687 0.0008
80 0.6457 nan 0.0687 0.0003
100 0.6324 nan 0.0687 0.0001
120 0.6228 nan 0.0687 0.0001
140 0.6148 nan 0.0687 0.0002
160 0.6094 nan 0.0687 0.0000
180 0.6042 nan 0.0687 -0.0000
200 0.6001 nan 0.0687 0.0001
220 0.5968 nan 0.0687 -0.0000
240 0.5938 nan 0.0687 0.0000
260 0.5909 nan 0.0687 0.0001
280 0.5873 nan 0.0687 0.0000
300 0.5852 nan 0.0687 -0.0000
320 0.5826 nan 0.0687 -0.0000
340 0.5804 nan 0.0687 -0.0000
360 0.5788 nan 0.0687 0.0000
380 0.5769 nan 0.0687 -0.0000
400 0.5754 nan 0.0687 -0.0000
420 0.5744 nan 0.0687 -0.0000
440 0.5730 nan 0.0687 0.0000
460 0.5720 nan 0.0687 -0.0000
480 0.5707 nan 0.0687 -0.0000
500 0.5694 nan 0.0687 0.0001
520 0.5683 nan 0.0687 -0.0001
540 0.5666 nan 0.0687 -0.0000
560 0.5658 nan 0.0687 -0.0000
580 0.5649 nan 0.0687 -0.0000
600 0.5638 nan 0.0687 -0.0000
620 0.5630 nan 0.0687 -0.0001
640 0.5616 nan 0.0687 -0.0000
660 0.5604 nan 0.0687 -0.0000
680 0.5597 nan 0.0687 -0.0000
700 0.5582 nan 0.0687 -0.0000
720 0.5570 nan 0.0687 0.0000
740 0.5562 nan 0.0687 0.0000
760 0.5554 nan 0.0687 -0.0000
780 0.5541 nan 0.0687 -0.0000
800 0.5535 nan 0.0687 -0.0000
820 0.5527 nan 0.0687 -0.0001
840 0.5520 nan 0.0687 -0.0000
860 0.5511 nan 0.0687 -0.0001
880 0.5505 nan 0.0687 -0.0000
881 0.5505 nan 0.0687 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0741 nan 0.0697 0.0134
2 1.0507 nan 0.0697 0.0116
3 1.0309 nan 0.0697 0.0101
4 1.0144 nan 0.0697 0.0080
5 0.9972 nan 0.0697 0.0086
6 0.9848 nan 0.0697 0.0058
7 0.9699 nan 0.0697 0.0074
8 0.9568 nan 0.0697 0.0064
9 0.9469 nan 0.0697 0.0048
10 0.9343 nan 0.0697 0.0061
20 0.8540 nan 0.0697 0.0035
40 0.7722 nan 0.0697 0.0014
60 0.7264 nan 0.0697 0.0009
80 0.6965 nan 0.0697 0.0004
100 0.6750 nan 0.0697 0.0005
120 0.6601 nan 0.0697 0.0003
140 0.6494 nan 0.0697 0.0002
160 0.6415 nan 0.0697 0.0002
180 0.6341 nan 0.0697 0.0002
200 0.6296 nan 0.0697 0.0000
220 0.6259 nan 0.0697 0.0000
240 0.6225 nan 0.0697 0.0001
260 0.6189 nan 0.0697 0.0000
280 0.6161 nan 0.0697 0.0000
300 0.6137 nan 0.0697 0.0000
320 0.6114 nan 0.0697 0.0001
340 0.6086 nan 0.0697 0.0001
360 0.6070 nan 0.0697 -0.0000
380 0.6055 nan 0.0697 -0.0000
400 0.6038 nan 0.0697 -0.0000
420 0.6026 nan 0.0697 -0.0000
440 0.6013 nan 0.0697 -0.0000
460 0.6000 nan 0.0697 0.0000
480 0.5988 nan 0.0697 0.0000
500 0.5974 nan 0.0697 0.0000
520 0.5965 nan 0.0697 -0.0000
540 0.5955 nan 0.0697 -0.0000
545 0.5952 nan 0.0697 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0493 nan 0.0714 0.0258
2 1.0073 nan 0.0714 0.0209
3 0.9724 nan 0.0714 0.0175
4 0.9423 nan 0.0714 0.0146
5 0.9165 nan 0.0714 0.0129
6 0.8931 nan 0.0714 0.0115
7 0.8732 nan 0.0714 0.0101
8 0.8555 nan 0.0714 0.0090
9 0.8395 nan 0.0714 0.0078
10 0.8247 nan 0.0714 0.0074
20 0.7269 nan 0.0714 0.0030
40 0.6485 nan 0.0714 0.0015
60 0.6186 nan 0.0714 0.0002
80 0.6020 nan 0.0714 0.0003
100 0.5907 nan 0.0714 0.0001
120 0.5821 nan 0.0714 -0.0000
140 0.5764 nan 0.0714 0.0001
160 0.5714 nan 0.0714 -0.0001
180 0.5668 nan 0.0714 -0.0000
200 0.5623 nan 0.0714 -0.0000
220 0.5579 nan 0.0714 -0.0000
240 0.5544 nan 0.0714 -0.0001
260 0.5516 nan 0.0714 0.0001
280 0.5488 nan 0.0714 -0.0000
300 0.5462 nan 0.0714 -0.0000
320 0.5443 nan 0.0714 -0.0000
340 0.5421 nan 0.0714 -0.0000
360 0.5399 nan 0.0714 -0.0000
380 0.5376 nan 0.0714 -0.0000
400 0.5356 nan 0.0714 -0.0000
420 0.5335 nan 0.0714 0.0000
440 0.5316 nan 0.0714 -0.0001
460 0.5297 nan 0.0714 0.0001
473 0.5284 nan 0.0714 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0599 nan 0.0743 0.0200
2 1.0278 nan 0.0743 0.0165
3 0.9994 nan 0.0743 0.0141
4 0.9742 nan 0.0743 0.0122
5 0.9480 nan 0.0743 0.0133
6 0.9260 nan 0.0743 0.0111
7 0.9064 nan 0.0743 0.0096
8 0.8914 nan 0.0743 0.0076
9 0.8773 nan 0.0743 0.0068
10 0.8632 nan 0.0743 0.0073
20 0.7775 nan 0.0743 0.0025
40 0.7007 nan 0.0743 0.0012
60 0.6603 nan 0.0743 0.0006
80 0.6408 nan 0.0743 0.0003
100 0.6284 nan 0.0743 0.0001
120 0.6198 nan 0.0743 0.0001
140 0.6134 nan 0.0743 0.0001
160 0.6075 nan 0.0743 0.0000
180 0.6034 nan 0.0743 0.0000
185 0.6024 nan 0.0743 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0477 nan 0.0751 0.0263
2 1.0063 nan 0.0751 0.0207
3 0.9711 nan 0.0751 0.0176
4 0.9413 nan 0.0751 0.0147
5 0.9163 nan 0.0751 0.0125
6 0.8939 nan 0.0751 0.0113
7 0.8748 nan 0.0751 0.0095
8 0.8576 nan 0.0751 0.0085
9 0.8414 nan 0.0751 0.0081
10 0.8273 nan 0.0751 0.0069
20 0.7340 nan 0.0751 0.0030
40 0.6553 nan 0.0751 0.0008
60 0.6253 nan 0.0751 0.0007
80 0.6084 nan 0.0751 0.0001
100 0.5961 nan 0.0751 0.0004
120 0.5885 nan 0.0751 0.0001
140 0.5820 nan 0.0751 0.0001
160 0.5763 nan 0.0751 -0.0000
180 0.5707 nan 0.0751 0.0000
200 0.5663 nan 0.0751 -0.0000
220 0.5621 nan 0.0751 -0.0000
225 0.5615 nan 0.0751 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0590 nan 0.0773 0.0208
2 1.0249 nan 0.0773 0.0167
3 0.9967 nan 0.0773 0.0141
4 0.9651 nan 0.0773 0.0158
5 0.9437 nan 0.0773 0.0105
6 0.9208 nan 0.0773 0.0113
7 0.9030 nan 0.0773 0.0085
8 0.8853 nan 0.0773 0.0089
9 0.8700 nan 0.0773 0.0079
10 0.8569 nan 0.0773 0.0066
20 0.7744 nan 0.0773 0.0027
40 0.6945 nan 0.0773 0.0014
60 0.6560 nan 0.0773 0.0006
80 0.6362 nan 0.0773 0.0004
100 0.6255 nan 0.0773 0.0002
120 0.6172 nan 0.0773 0.0001
140 0.6114 nan 0.0773 0.0000
160 0.6060 nan 0.0773 0.0000
180 0.6018 nan 0.0773 0.0000
200 0.5983 nan 0.0773 0.0000
220 0.5951 nan 0.0773 -0.0000
240 0.5924 nan 0.0773 0.0000
260 0.5897 nan 0.0773 -0.0000
280 0.5870 nan 0.0773 -0.0000
300 0.5843 nan 0.0773 0.0000
320 0.5822 nan 0.0773 0.0000
340 0.5802 nan 0.0773 0.0000
360 0.5788 nan 0.0773 -0.0000
380 0.5772 nan 0.0773 -0.0000
400 0.5759 nan 0.0773 -0.0000
420 0.5744 nan 0.0773 -0.0000
440 0.5730 nan 0.0773 -0.0000
460 0.5716 nan 0.0773 -0.0000
480 0.5702 nan 0.0773 -0.0000
500 0.5689 nan 0.0773 0.0000
520 0.5680 nan 0.0773 -0.0001
540 0.5666 nan 0.0773 -0.0001
560 0.5656 nan 0.0773 -0.0000
580 0.5646 nan 0.0773 -0.0000
600 0.5633 nan 0.0773 -0.0001
606 0.5631 nan 0.0773 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0709 nan 0.0774 0.0149
2 1.0451 nan 0.0774 0.0125
3 1.0232 nan 0.0774 0.0106
4 1.0046 nan 0.0774 0.0091
5 0.9871 nan 0.0774 0.0091
6 0.9737 nan 0.0774 0.0065
7 0.9583 nan 0.0774 0.0075
8 0.9446 nan 0.0774 0.0068
9 0.9345 nan 0.0774 0.0050
10 0.9221 nan 0.0774 0.0063
20 0.8413 nan 0.0774 0.0038
40 0.7601 nan 0.0774 0.0013
60 0.7142 nan 0.0774 0.0008
80 0.6862 nan 0.0774 0.0003
100 0.6660 nan 0.0774 0.0005
120 0.6520 nan 0.0774 0.0003
140 0.6424 nan 0.0774 0.0001
160 0.6351 nan 0.0774 0.0001
180 0.6300 nan 0.0774 -0.0000
200 0.6254 nan 0.0774 0.0001
220 0.6217 nan 0.0774 0.0000
240 0.6184 nan 0.0774 0.0000
260 0.6154 nan 0.0774 0.0000
280 0.6125 nan 0.0774 0.0000
300 0.6099 nan 0.0774 0.0000
320 0.6079 nan 0.0774 0.0000
340 0.6058 nan 0.0774 -0.0000
360 0.6042 nan 0.0774 -0.0000
380 0.6024 nan 0.0774 0.0000
400 0.6006 nan 0.0774 -0.0000
420 0.5995 nan 0.0774 0.0000
440 0.5982 nan 0.0774 -0.0000
460 0.5969 nan 0.0774 -0.0001
480 0.5958 nan 0.0774 -0.0000
500 0.5946 nan 0.0774 0.0000
520 0.5938 nan 0.0774 -0.0000
540 0.5929 nan 0.0774 0.0000
560 0.5923 nan 0.0774 -0.0000
580 0.5916 nan 0.0774 -0.0000
600 0.5909 nan 0.0774 -0.0000
620 0.5902 nan 0.0774 -0.0000
640 0.5895 nan 0.0774 -0.0000
660 0.5888 nan 0.0774 -0.0000
680 0.5881 nan 0.0774 -0.0000
700 0.5876 nan 0.0774 -0.0000
720 0.5872 nan 0.0774 -0.0000
735 0.5866 nan 0.0774 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0458 nan 0.0790 0.0269
2 1.0030 nan 0.0790 0.0216
3 0.9674 nan 0.0790 0.0176
4 0.9368 nan 0.0790 0.0153
5 0.9108 nan 0.0790 0.0128
6 0.8880 nan 0.0790 0.0113
7 0.8689 nan 0.0790 0.0096
8 0.8504 nan 0.0790 0.0093
9 0.8352 nan 0.0790 0.0076
10 0.8209 nan 0.0790 0.0073
20 0.7247 nan 0.0790 0.0032
40 0.6516 nan 0.0790 0.0009
60 0.6221 nan 0.0790 0.0003
80 0.6054 nan 0.0790 0.0005
100 0.5942 nan 0.0790 0.0003
120 0.5861 nan 0.0790 -0.0000
140 0.5802 nan 0.0790 0.0000
160 0.5752 nan 0.0790 0.0002
180 0.5705 nan 0.0790 -0.0001
200 0.5667 nan 0.0790 0.0001
220 0.5634 nan 0.0790 -0.0000
240 0.5602 nan 0.0790 -0.0001
260 0.5570 nan 0.0790 -0.0000
280 0.5545 nan 0.0790 -0.0001
300 0.5521 nan 0.0790 -0.0000
320 0.5502 nan 0.0790 -0.0001
340 0.5486 nan 0.0790 -0.0000
360 0.5465 nan 0.0790 -0.0001
380 0.5447 nan 0.0790 0.0000
388 0.5441 nan 0.0790 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0575 nan 0.0803 0.0219
2 1.0223 nan 0.0803 0.0173
3 0.9922 nan 0.0803 0.0152
4 0.9676 nan 0.0803 0.0118
5 0.9416 nan 0.0803 0.0128
6 0.9211 nan 0.0803 0.0100
7 0.9040 nan 0.0803 0.0085
8 0.8875 nan 0.0803 0.0081
9 0.8708 nan 0.0803 0.0087
10 0.8561 nan 0.0803 0.0075
20 0.7705 nan 0.0803 0.0030
40 0.6915 nan 0.0803 0.0010
60 0.6538 nan 0.0803 0.0005
80 0.6352 nan 0.0803 0.0003
100 0.6245 nan 0.0803 0.0001
120 0.6160 nan 0.0803 0.0003
140 0.6099 nan 0.0803 0.0001
160 0.6051 nan 0.0803 0.0000
180 0.6006 nan 0.0803 0.0000
200 0.5964 nan 0.0803 -0.0000
220 0.5928 nan 0.0803 -0.0000
240 0.5903 nan 0.0803 -0.0000
260 0.5882 nan 0.0803 -0.0000
270 0.5874 nan 0.0803 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0507 nan 0.0808 0.0251
2 1.0084 nan 0.0808 0.0205
3 0.9736 nan 0.0808 0.0168
4 0.9442 nan 0.0808 0.0147
5 0.9157 nan 0.0808 0.0143
6 0.8946 nan 0.0808 0.0105
7 0.8752 nan 0.0808 0.0096
8 0.8583 nan 0.0808 0.0082
9 0.8411 nan 0.0808 0.0087
10 0.8271 nan 0.0808 0.0067
20 0.7379 nan 0.0808 0.0030
40 0.6623 nan 0.0808 0.0012
60 0.6324 nan 0.0808 0.0003
80 0.6156 nan 0.0808 0.0001
100 0.6043 nan 0.0808 0.0001
120 0.5969 nan 0.0808 0.0001
140 0.5906 nan 0.0808 0.0000
160 0.5850 nan 0.0808 0.0001
180 0.5807 nan 0.0808 0.0000
200 0.5773 nan 0.0808 -0.0001
220 0.5738 nan 0.0808 -0.0000
240 0.5708 nan 0.0808 0.0000
260 0.5689 nan 0.0808 -0.0001
280 0.5664 nan 0.0808 0.0000
300 0.5644 nan 0.0808 -0.0001
320 0.5625 nan 0.0808 -0.0001
340 0.5602 nan 0.0808 -0.0000
360 0.5586 nan 0.0808 -0.0001
380 0.5573 nan 0.0808 -0.0000
400 0.5554 nan 0.0808 -0.0000
420 0.5539 nan 0.0808 -0.0000
440 0.5524 nan 0.0808 -0.0000
460 0.5509 nan 0.0808 -0.0001
480 0.5490 nan 0.0808 -0.0001
500 0.5472 nan 0.0808 -0.0001
520 0.5462 nan 0.0808 -0.0001
540 0.5447 nan 0.0808 -0.0000
560 0.5434 nan 0.0808 -0.0001
580 0.5423 nan 0.0808 -0.0001
600 0.5414 nan 0.0808 -0.0001
620 0.5398 nan 0.0808 0.0001
640 0.5383 nan 0.0808 -0.0000
660 0.5373 nan 0.0808 -0.0001
680 0.5360 nan 0.0808 -0.0001
700 0.5351 nan 0.0808 -0.0000
720 0.5341 nan 0.0808 -0.0000
723 0.5339 nan 0.0808 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0487 nan 0.0838 0.0255
2 1.0059 nan 0.0838 0.0211
3 0.9703 nan 0.0838 0.0174
4 0.9402 nan 0.0838 0.0149
5 0.9119 nan 0.0838 0.0142
6 0.8909 nan 0.0838 0.0105
7 0.8707 nan 0.0838 0.0101
8 0.8545 nan 0.0838 0.0079
9 0.8375 nan 0.0838 0.0085
10 0.8221 nan 0.0838 0.0076
20 0.7326 nan 0.0838 0.0032
40 0.6607 nan 0.0838 0.0010
60 0.6303 nan 0.0838 0.0005
80 0.6155 nan 0.0838 0.0002
100 0.6052 nan 0.0838 0.0002
120 0.5988 nan 0.0838 0.0002
123 0.5980 nan 0.0838 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0400 nan 0.0840 0.0297
2 0.9933 nan 0.0840 0.0232
3 0.9549 nan 0.0840 0.0193
4 0.9230 nan 0.0840 0.0164
5 0.8961 nan 0.0840 0.0134
6 0.8720 nan 0.0840 0.0120
7 0.8518 nan 0.0840 0.0099
8 0.8340 nan 0.0840 0.0086
9 0.8182 nan 0.0840 0.0079
10 0.8023 nan 0.0840 0.0080
20 0.7067 nan 0.0840 0.0033
40 0.6359 nan 0.0840 0.0010
60 0.6082 nan 0.0840 0.0004
80 0.5908 nan 0.0840 0.0002
100 0.5815 nan 0.0840 0.0000
120 0.5744 nan 0.0840 -0.0000
140 0.5681 nan 0.0840 0.0002
160 0.5629 nan 0.0840 -0.0000
180 0.5589 nan 0.0840 -0.0001
200 0.5551 nan 0.0840 -0.0001
220 0.5518 nan 0.0840 -0.0000
240 0.5485 nan 0.0840 0.0000
260 0.5454 nan 0.0840 -0.0000
280 0.5434 nan 0.0840 0.0000
300 0.5409 nan 0.0840 -0.0001
320 0.5384 nan 0.0840 -0.0002
340 0.5361 nan 0.0840 -0.0001
360 0.5342 nan 0.0840 -0.0001
380 0.5316 nan 0.0840 -0.0000
400 0.5296 nan 0.0840 -0.0000
420 0.5275 nan 0.0840 -0.0001
440 0.5254 nan 0.0840 -0.0001
460 0.5235 nan 0.0840 -0.0001
480 0.5216 nan 0.0840 -0.0001
500 0.5203 nan 0.0840 -0.0001
520 0.5184 nan 0.0840 -0.0001
540 0.5169 nan 0.0840 -0.0001
560 0.5156 nan 0.0840 -0.0001
580 0.5139 nan 0.0840 0.0000
600 0.5125 nan 0.0840 -0.0001
620 0.5108 nan 0.0840 -0.0001
640 0.5093 nan 0.0840 -0.0001
660 0.5078 nan 0.0840 -0.0001
680 0.5060 nan 0.0840 -0.0000
700 0.5049 nan 0.0840 -0.0001
720 0.5035 nan 0.0840 -0.0001
740 0.5023 nan 0.0840 -0.0000
760 0.5011 nan 0.0840 -0.0001
780 0.4998 nan 0.0840 -0.0001
800 0.4988 nan 0.0840 -0.0001
820 0.4974 nan 0.0840 -0.0001
840 0.4961 nan 0.0840 -0.0001
860 0.4948 nan 0.0840 -0.0001
880 0.4936 nan 0.0840 -0.0001
900 0.4923 nan 0.0840 -0.0001
920 0.4912 nan 0.0840 -0.0001
939 0.4903 nan 0.0840 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0408 nan 0.0873 0.0300
2 0.9941 nan 0.0873 0.0232
3 0.9568 nan 0.0873 0.0191
4 0.9257 nan 0.0873 0.0156
5 0.8979 nan 0.0873 0.0139
6 0.8757 nan 0.0873 0.0108
7 0.8561 nan 0.0873 0.0099
8 0.8385 nan 0.0873 0.0082
9 0.8208 nan 0.0873 0.0088
10 0.8073 nan 0.0873 0.0068
20 0.7125 nan 0.0873 0.0036
40 0.6433 nan 0.0873 0.0006
60 0.6162 nan 0.0873 0.0003
80 0.6012 nan 0.0873 0.0002
100 0.5892 nan 0.0873 0.0001
120 0.5815 nan 0.0873 0.0000
140 0.5752 nan 0.0873 -0.0001
160 0.5696 nan 0.0873 -0.0000
180 0.5656 nan 0.0873 -0.0000
200 0.5607 nan 0.0873 -0.0001
220 0.5567 nan 0.0873 -0.0000
240 0.5538 nan 0.0873 -0.0000
260 0.5507 nan 0.0873 -0.0000
280 0.5483 nan 0.0873 -0.0000
300 0.5451 nan 0.0873 0.0000
320 0.5427 nan 0.0873 -0.0000
340 0.5393 nan 0.0873 -0.0001
360 0.5364 nan 0.0873 -0.0001
380 0.5333 nan 0.0873 -0.0001
400 0.5310 nan 0.0873 -0.0001
420 0.5287 nan 0.0873 -0.0000
440 0.5269 nan 0.0873 -0.0000
442 0.5267 nan 0.0873 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0524 nan 0.0888 0.0237
2 1.0155 nan 0.0888 0.0185
3 0.9838 nan 0.0888 0.0157
4 0.9496 nan 0.0888 0.0170
5 0.9219 nan 0.0888 0.0139
6 0.9025 nan 0.0888 0.0095
7 0.8820 nan 0.0888 0.0105
8 0.8646 nan 0.0888 0.0088
9 0.8501 nan 0.0888 0.0073
10 0.8388 nan 0.0888 0.0058
20 0.7535 nan 0.0888 0.0028
40 0.6808 nan 0.0888 0.0009
60 0.6475 nan 0.0888 0.0007
80 0.6299 nan 0.0888 0.0002
100 0.6195 nan 0.0888 0.0002
120 0.6125 nan 0.0888 -0.0000
140 0.6061 nan 0.0888 0.0000
160 0.6008 nan 0.0888 -0.0000
180 0.5968 nan 0.0888 0.0000
200 0.5928 nan 0.0888 -0.0001
220 0.5895 nan 0.0888 -0.0000
240 0.5860 nan 0.0888 -0.0000
260 0.5832 nan 0.0888 -0.0000
280 0.5814 nan 0.0888 -0.0000
300 0.5793 nan 0.0888 -0.0001
320 0.5772 nan 0.0888 0.0000
340 0.5759 nan 0.0888 -0.0000
346 0.5755 nan 0.0888 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0398 nan 0.0896 0.0305
2 0.9915 nan 0.0896 0.0236
3 0.9542 nan 0.0896 0.0193
4 0.9217 nan 0.0896 0.0162
5 0.8949 nan 0.0896 0.0133
6 0.8716 nan 0.0896 0.0116
7 0.8521 nan 0.0896 0.0097
8 0.8332 nan 0.0896 0.0095
9 0.8192 nan 0.0896 0.0068
10 0.8056 nan 0.0896 0.0066
20 0.7095 nan 0.0896 0.0032
40 0.6402 nan 0.0896 0.0009
60 0.6125 nan 0.0896 0.0006
80 0.5969 nan 0.0896 0.0001
100 0.5874 nan 0.0896 0.0001
120 0.5803 nan 0.0896 -0.0000
140 0.5740 nan 0.0896 0.0001
160 0.5697 nan 0.0896 -0.0000
180 0.5647 nan 0.0896 0.0000
200 0.5609 nan 0.0896 0.0000
220 0.5576 nan 0.0896 -0.0000
240 0.5547 nan 0.0896 -0.0001
256 0.5529 nan 0.0896 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0373 nan 0.0902 0.0311
2 0.9911 nan 0.0902 0.0232
3 0.9523 nan 0.0902 0.0199
4 0.9204 nan 0.0902 0.0157
5 0.8924 nan 0.0902 0.0137
6 0.8696 nan 0.0902 0.0114
7 0.8487 nan 0.0902 0.0105
8 0.8313 nan 0.0902 0.0085
9 0.8171 nan 0.0902 0.0071
10 0.8040 nan 0.0902 0.0062
20 0.7119 nan 0.0902 0.0028
40 0.6398 nan 0.0902 0.0007
60 0.6143 nan 0.0902 0.0003
80 0.6009 nan 0.0902 0.0001
100 0.5919 nan 0.0902 0.0001
120 0.5850 nan 0.0902 0.0001
140 0.5790 nan 0.0902 0.0000
160 0.5748 nan 0.0902 -0.0000
180 0.5703 nan 0.0902 -0.0001
200 0.5667 nan 0.0902 -0.0000
220 0.5634 nan 0.0902 0.0000
240 0.5607 nan 0.0902 -0.0001
260 0.5588 nan 0.0902 -0.0001
280 0.5557 nan 0.0902 -0.0001
300 0.5536 nan 0.0902 -0.0000
320 0.5509 nan 0.0902 -0.0000
340 0.5491 nan 0.0902 -0.0001
360 0.5474 nan 0.0902 -0.0001
380 0.5459 nan 0.0902 -0.0001
400 0.5443 nan 0.0902 -0.0001
420 0.5428 nan 0.0902 -0.0001
440 0.5407 nan 0.0902 -0.0001
460 0.5393 nan 0.0902 -0.0001
480 0.5379 nan 0.0902 -0.0000
500 0.5364 nan 0.0902 -0.0001
520 0.5351 nan 0.0902 -0.0001
540 0.5338 nan 0.0902 -0.0001
560 0.5327 nan 0.0902 -0.0001
580 0.5317 nan 0.0902 -0.0001
600 0.5303 nan 0.0902 -0.0001
620 0.5290 nan 0.0902 -0.0001
640 0.5281 nan 0.0902 -0.0001
648 0.5276 nan 0.0902 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0414 nan 0.0960 0.0295
2 0.9951 nan 0.0960 0.0226
3 0.9569 nan 0.0960 0.0194
4 0.9247 nan 0.0960 0.0161
5 0.8987 nan 0.0960 0.0129
6 0.8728 nan 0.0960 0.0130
7 0.8504 nan 0.0960 0.0110
8 0.8317 nan 0.0960 0.0093
9 0.8156 nan 0.0960 0.0082
10 0.8035 nan 0.0960 0.0058
20 0.7184 nan 0.0960 0.0028
40 0.6493 nan 0.0960 0.0009
60 0.6217 nan 0.0960 0.0001
80 0.6077 nan 0.0960 0.0001
100 0.5971 nan 0.0960 0.0001
120 0.5896 nan 0.0960 0.0000
140 0.5827 nan 0.0960 -0.0000
160 0.5778 nan 0.0960 -0.0000
180 0.5734 nan 0.0960 -0.0001
200 0.5693 nan 0.0960 -0.0001
220 0.5668 nan 0.0960 0.0000
240 0.5639 nan 0.0960 -0.0000
260 0.5616 nan 0.0960 -0.0000
280 0.5590 nan 0.0960 -0.0001
300 0.5568 nan 0.0960 -0.0001
320 0.5536 nan 0.0960 0.0000
340 0.5508 nan 0.0960 -0.0001
360 0.5489 nan 0.0960 -0.0001
380 0.5470 nan 0.0960 -0.0000
400 0.5452 nan 0.0960 0.0000
420 0.5441 nan 0.0960 -0.0001
440 0.5426 nan 0.0960 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0635 nan 0.0965 0.0183
2 1.0341 nan 0.0965 0.0149
3 1.0099 nan 0.0965 0.0122
4 0.9885 nan 0.0965 0.0105
5 0.9688 nan 0.0965 0.0098
6 0.9539 nan 0.0965 0.0073
7 0.9373 nan 0.0965 0.0083
8 0.9216 nan 0.0965 0.0079
9 0.9109 nan 0.0965 0.0053
10 0.8986 nan 0.0965 0.0064
20 0.8153 nan 0.0965 0.0035
40 0.7331 nan 0.0965 0.0018
60 0.6917 nan 0.0965 0.0009
80 0.6674 nan 0.0965 0.0004
100 0.6496 nan 0.0965 0.0004
120 0.6404 nan 0.0965 0.0000
140 0.6310 nan 0.0965 0.0001
160 0.6246 nan 0.0965 0.0001
180 0.6202 nan 0.0965 0.0000
200 0.6170 nan 0.0965 0.0000
220 0.6138 nan 0.0965 0.0001
240 0.6106 nan 0.0965 0.0000
260 0.6079 nan 0.0965 -0.0000
280 0.6051 nan 0.0965 0.0001
300 0.6030 nan 0.0965 -0.0000
320 0.6011 nan 0.0965 -0.0000
340 0.5996 nan 0.0965 0.0000
360 0.5982 nan 0.0965 -0.0000
380 0.5965 nan 0.0965 -0.0000
400 0.5952 nan 0.0965 -0.0000
420 0.5941 nan 0.0965 -0.0000
440 0.5930 nan 0.0965 -0.0001
460 0.5921 nan 0.0965 0.0000
480 0.5912 nan 0.0965 -0.0000
500 0.5904 nan 0.0965 -0.0000
520 0.5895 nan 0.0965 -0.0000
540 0.5887 nan 0.0965 0.0001
560 0.5875 nan 0.0965 -0.0000
580 0.5868 nan 0.0965 -0.0000
600 0.5860 nan 0.0965 -0.0000
620 0.5855 nan 0.0965 -0.0000
640 0.5850 nan 0.0965 -0.0000
660 0.5845 nan 0.0965 -0.0000
680 0.5838 nan 0.0965 -0.0001
700 0.5832 nan 0.0965 -0.0000
720 0.5829 nan 0.0965 -0.0000
740 0.5824 nan 0.0965 -0.0000
759 0.5821 nan 0.0965 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0401 nan 0.0983 0.0308
2 0.9926 nan 0.0983 0.0239
3 0.9538 nan 0.0983 0.0194
4 0.9215 nan 0.0983 0.0160
5 0.8912 nan 0.0983 0.0152
6 0.8699 nan 0.0983 0.0106
7 0.8508 nan 0.0983 0.0094
8 0.8312 nan 0.0983 0.0096
9 0.8143 nan 0.0983 0.0082
10 0.7990 nan 0.0983 0.0075
20 0.7139 nan 0.0983 0.0033
40 0.6473 nan 0.0983 0.0012
60 0.6217 nan 0.0983 -0.0000
80 0.6066 nan 0.0983 0.0001
100 0.5958 nan 0.0983 0.0001
120 0.5885 nan 0.0983 0.0002
140 0.5819 nan 0.0983 -0.0001
160 0.5774 nan 0.0983 -0.0001
180 0.5734 nan 0.0983 -0.0000
200 0.5680 nan 0.0983 0.0001
220 0.5654 nan 0.0983 -0.0000
240 0.5620 nan 0.0983 -0.0001
260 0.5599 nan 0.0983 -0.0001
280 0.5575 nan 0.0983 -0.0001
300 0.5549 nan 0.0983 -0.0001
320 0.5527 nan 0.0983 -0.0001
336 0.5513 nan 0.0983 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0622 nan 0.1014 0.0192
2 1.0306 nan 0.1014 0.0154
3 1.0052 nan 0.1014 0.0124
4 0.9824 nan 0.1014 0.0112
5 0.9635 nan 0.1014 0.0091
6 0.9440 nan 0.1014 0.0097
7 0.9295 nan 0.1014 0.0072
8 0.9133 nan 0.1014 0.0078
9 0.8998 nan 0.1014 0.0064
10 0.8895 nan 0.1014 0.0049
20 0.8065 nan 0.1014 0.0026
40 0.7276 nan 0.1014 0.0009
60 0.6853 nan 0.1014 0.0010
80 0.6607 nan 0.1014 0.0006
100 0.6457 nan 0.1014 0.0002
120 0.6361 nan 0.1014 0.0003
140 0.6288 nan 0.1014 0.0000
160 0.6233 nan 0.1014 0.0002
180 0.6185 nan 0.1014 0.0002
200 0.6145 nan 0.1014 -0.0000
220 0.6114 nan 0.1014 0.0001
240 0.6089 nan 0.1014 -0.0000
260 0.6065 nan 0.1014 0.0000
280 0.6043 nan 0.1014 -0.0000
300 0.6024 nan 0.1014 -0.0000
320 0.6003 nan 0.1014 -0.0000
340 0.5989 nan 0.1014 -0.0000
360 0.5975 nan 0.1014 -0.0000
380 0.5962 nan 0.1014 -0.0000
400 0.5953 nan 0.1014 -0.0000
420 0.5942 nan 0.1014 0.0000
440 0.5933 nan 0.1014 -0.0000
460 0.5923 nan 0.1014 -0.0000
480 0.5914 nan 0.1014 0.0000
500 0.5907 nan 0.1014 -0.0000
520 0.5899 nan 0.1014 0.0001
540 0.5895 nan 0.1014 -0.0000
560 0.5888 nan 0.1014 -0.0001
580 0.5883 nan 0.1014 -0.0000
600 0.5877 nan 0.1014 0.0000
620 0.5872 nan 0.1014 -0.0000
640 0.5866 nan 0.1014 -0.0000
660 0.5862 nan 0.1014 -0.0000
680 0.5857 nan 0.1014 -0.0000
700 0.5850 nan 0.1014 -0.0000
720 0.5847 nan 0.1014 -0.0000
740 0.5842 nan 0.1014 -0.0000
760 0.5838 nan 0.1014 -0.0000
780 0.5835 nan 0.1014 -0.0000
800 0.5831 nan 0.1014 -0.0001
820 0.5826 nan 0.1014 -0.0000
840 0.5821 nan 0.1014 -0.0000
860 0.5820 nan 0.1014 -0.0001
880 0.5816 nan 0.1014 -0.0000
896 0.5815 nan 0.1014 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0386 nan 0.1018 0.0308
2 0.9905 nan 0.1018 0.0233
3 0.9502 nan 0.1018 0.0199
4 0.9175 nan 0.1018 0.0160
5 0.8907 nan 0.1018 0.0137
6 0.8652 nan 0.1018 0.0128
7 0.8453 nan 0.1018 0.0101
8 0.8260 nan 0.1018 0.0094
9 0.8114 nan 0.1018 0.0073
10 0.7982 nan 0.1018 0.0065
20 0.7129 nan 0.1018 0.0024
40 0.6451 nan 0.1018 0.0012
60 0.6188 nan 0.1018 0.0006
80 0.6052 nan 0.1018 0.0003
100 0.5958 nan 0.1018 0.0000
120 0.5887 nan 0.1018 -0.0000
140 0.5825 nan 0.1018 0.0001
160 0.5779 nan 0.1018 -0.0000
180 0.5741 nan 0.1018 -0.0000
200 0.5711 nan 0.1018 -0.0001
220 0.5685 nan 0.1018 -0.0001
240 0.5650 nan 0.1018 -0.0001
260 0.5628 nan 0.1018 -0.0001
280 0.5607 nan 0.1018 -0.0000
300 0.5578 nan 0.1018 0.0001
302 0.5576 nan 0.1018 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0470 nan 0.1024 0.0272
2 1.0059 nan 0.1024 0.0206
3 0.9708 nan 0.1024 0.0175
4 0.9366 nan 0.1024 0.0169
5 0.9093 nan 0.1024 0.0137
6 0.8864 nan 0.1024 0.0115
7 0.8696 nan 0.1024 0.0082
8 0.8517 nan 0.1024 0.0089
9 0.8394 nan 0.1024 0.0061
10 0.8259 nan 0.1024 0.0067
20 0.7397 nan 0.1024 0.0028
40 0.6678 nan 0.1024 0.0014
60 0.6392 nan 0.1024 0.0002
80 0.6239 nan 0.1024 0.0004
100 0.6128 nan 0.1024 0.0000
120 0.6049 nan 0.1024 0.0001
140 0.5989 nan 0.1024 0.0001
160 0.5934 nan 0.1024 0.0001
180 0.5901 nan 0.1024 -0.0000
200 0.5863 nan 0.1024 -0.0000
220 0.5829 nan 0.1024 -0.0001
240 0.5804 nan 0.1024 -0.0001
260 0.5774 nan 0.1024 -0.0000
280 0.5753 nan 0.1024 0.0001
300 0.5732 nan 0.1024 -0.0000
320 0.5714 nan 0.1024 -0.0001
340 0.5694 nan 0.1024 -0.0000
360 0.5681 nan 0.1024 -0.0000
380 0.5665 nan 0.1024 -0.0000
400 0.5645 nan 0.1024 -0.0001
420 0.5628 nan 0.1024 -0.0000
440 0.5612 nan 0.1024 -0.0000
460 0.5601 nan 0.1024 -0.0001
480 0.5588 nan 0.1024 -0.0000
500 0.5570 nan 0.1024 -0.0000
520 0.5554 nan 0.1024 -0.0000
540 0.5543 nan 0.1024 -0.0000
560 0.5534 nan 0.1024 -0.0001
580 0.5527 nan 0.1024 -0.0000
600 0.5517 nan 0.1024 -0.0001
620 0.5508 nan 0.1024 -0.0001
640 0.5499 nan 0.1024 0.0001
660 0.5492 nan 0.1024 -0.0001
680 0.5484 nan 0.1024 -0.0000
700 0.5474 nan 0.1024 -0.0001
720 0.5465 nan 0.1024 -0.0001
740 0.5452 nan 0.1024 -0.0001
760 0.5445 nan 0.1024 -0.0000
780 0.5439 nan 0.1024 -0.0000
800 0.5432 nan 0.1024 -0.0001
820 0.5423 nan 0.1024 -0.0000
840 0.5416 nan 0.1024 -0.0001
851 0.5412 nan 0.1024 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0385 nan 0.1035 0.0313
2 0.9896 nan 0.1035 0.0240
3 0.9494 nan 0.1035 0.0200
4 0.9161 nan 0.1035 0.0161
5 0.8857 nan 0.1035 0.0151
6 0.8632 nan 0.1035 0.0112
7 0.8424 nan 0.1035 0.0104
8 0.8235 nan 0.1035 0.0094
9 0.8073 nan 0.1035 0.0082
10 0.7936 nan 0.1035 0.0067
20 0.7086 nan 0.1035 0.0029
40 0.6437 nan 0.1035 0.0007
60 0.6187 nan 0.1035 0.0004
80 0.6033 nan 0.1035 0.0002
100 0.5935 nan 0.1035 0.0001
120 0.5856 nan 0.1035 0.0001
140 0.5802 nan 0.1035 0.0000
160 0.5753 nan 0.1035 0.0000
180 0.5714 nan 0.1035 -0.0000
190 0.5693 nan 0.1035 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0378 nan 0.1036 0.0316
2 0.9893 nan 0.1036 0.0236
3 0.9469 nan 0.1036 0.0207
4 0.9153 nan 0.1036 0.0155
5 0.8887 nan 0.1036 0.0129
6 0.8624 nan 0.1036 0.0129
7 0.8400 nan 0.1036 0.0111
8 0.8209 nan 0.1036 0.0096
9 0.8064 nan 0.1036 0.0072
10 0.7910 nan 0.1036 0.0075
20 0.7086 nan 0.1036 0.0021
40 0.6431 nan 0.1036 0.0011
60 0.6179 nan 0.1036 0.0006
80 0.6036 nan 0.1036 0.0001
100 0.5934 nan 0.1036 -0.0000
120 0.5873 nan 0.1036 -0.0001
140 0.5800 nan 0.1036 0.0004
160 0.5754 nan 0.1036 -0.0000
180 0.5712 nan 0.1036 0.0000
200 0.5679 nan 0.1036 -0.0001
220 0.5646 nan 0.1036 -0.0000
240 0.5617 nan 0.1036 -0.0000
260 0.5599 nan 0.1036 -0.0001
280 0.5572 nan 0.1036 -0.0001
300 0.5547 nan 0.1036 -0.0001
320 0.5525 nan 0.1036 -0.0001
340 0.5505 nan 0.1036 -0.0000
360 0.5482 nan 0.1036 -0.0000
380 0.5467 nan 0.1036 -0.0001
400 0.5452 nan 0.1036 -0.0000
420 0.5434 nan 0.1036 -0.0001
440 0.5418 nan 0.1036 -0.0001
460 0.5407 nan 0.1036 -0.0000
480 0.5390 nan 0.1036 -0.0001
500 0.5379 nan 0.1036 -0.0001
520 0.5361 nan 0.1036 0.0001
540 0.5351 nan 0.1036 -0.0000
560 0.5337 nan 0.1036 -0.0000
580 0.5328 nan 0.1036 -0.0001
600 0.5316 nan 0.1036 -0.0000
620 0.5304 nan 0.1036 -0.0001
640 0.5292 nan 0.1036 -0.0000
660 0.5280 nan 0.1036 -0.0001
677 0.5271 nan 0.1036 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0260 nan 0.1079 0.0362
2 0.9732 nan 0.1079 0.0262
3 0.9317 nan 0.1079 0.0208
4 0.8972 nan 0.1079 0.0172
5 0.8695 nan 0.1079 0.0138
6 0.8449 nan 0.1079 0.0124
7 0.8239 nan 0.1079 0.0104
8 0.8062 nan 0.1079 0.0084
9 0.7917 nan 0.1079 0.0071
10 0.7761 nan 0.1079 0.0074
20 0.6852 nan 0.1079 0.0025
40 0.6272 nan 0.1079 0.0004
60 0.6045 nan 0.1079 0.0004
80 0.5907 nan 0.1079 0.0002
100 0.5825 nan 0.1079 0.0000
120 0.5751 nan 0.1079 -0.0000
140 0.5696 nan 0.1079 -0.0000
160 0.5651 nan 0.1079 -0.0000
180 0.5605 nan 0.1079 0.0002
200 0.5576 nan 0.1079 -0.0002
220 0.5547 nan 0.1079 -0.0001
240 0.5511 nan 0.1079 0.0000
260 0.5482 nan 0.1079 -0.0001
280 0.5456 nan 0.1079 -0.0001
300 0.5433 nan 0.1079 -0.0000
320 0.5410 nan 0.1079 -0.0001
340 0.5390 nan 0.1079 -0.0001
360 0.5372 nan 0.1079 -0.0001
380 0.5350 nan 0.1079 -0.0001
400 0.5337 nan 0.1079 -0.0001
419 0.5324 nan 0.1079 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0340 nan 0.1099 0.0338
2 0.9833 nan 0.1099 0.0254
3 0.9425 nan 0.1099 0.0205
4 0.9084 nan 0.1099 0.0166
5 0.8778 nan 0.1099 0.0153
6 0.8551 nan 0.1099 0.0113
7 0.8325 nan 0.1099 0.0114
8 0.8140 nan 0.1099 0.0089
9 0.7975 nan 0.1099 0.0080
10 0.7830 nan 0.1099 0.0068
20 0.7035 nan 0.1099 0.0030
40 0.6408 nan 0.1099 0.0008
60 0.6168 nan 0.1099 0.0003
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0329 nan 0.1114 0.0328
2 0.9819 nan 0.1114 0.0250
3 0.9400 nan 0.1114 0.0208
4 0.9056 nan 0.1114 0.0166
5 0.8778 nan 0.1114 0.0140
6 0.8552 nan 0.1114 0.0110
7 0.8322 nan 0.1114 0.0114
8 0.8159 nan 0.1114 0.0078
9 0.7988 nan 0.1114 0.0082
10 0.7882 nan 0.1114 0.0051
20 0.7044 nan 0.1114 0.0020
40 0.6405 nan 0.1114 0.0005
60 0.6177 nan 0.1114 0.0003
80 0.6044 nan 0.1114 0.0003
100 0.5967 nan 0.1114 0.0001
120 0.5897 nan 0.1114 0.0000
140 0.5835 nan 0.1114 0.0001
160 0.5787 nan 0.1114 0.0000
180 0.5745 nan 0.1114 -0.0000
200 0.5708 nan 0.1114 -0.0001
220 0.5673 nan 0.1114 -0.0001
240 0.5644 nan 0.1114 -0.0000
260 0.5618 nan 0.1114 -0.0001
280 0.5599 nan 0.1114 -0.0001
300 0.5581 nan 0.1114 -0.0001
320 0.5555 nan 0.1114 -0.0000
340 0.5530 nan 0.1114 -0.0001
360 0.5514 nan 0.1114 -0.0001
380 0.5501 nan 0.1114 -0.0001
400 0.5484 nan 0.1114 -0.0000
420 0.5470 nan 0.1114 -0.0001
440 0.5454 nan 0.1114 -0.0000
460 0.5441 nan 0.1114 -0.0000
480 0.5430 nan 0.1114 -0.0001
500 0.5413 nan 0.1114 -0.0001
520 0.5402 nan 0.1114 -0.0001
540 0.5391 nan 0.1114 -0.0000
560 0.5380 nan 0.1114 -0.0001
580 0.5370 nan 0.1114 -0.0000
600 0.5359 nan 0.1114 -0.0001
620 0.5347 nan 0.1114 -0.0001
640 0.5337 nan 0.1114 -0.0000
660 0.5325 nan 0.1114 -0.0001
680 0.5316 nan 0.1114 -0.0001
685 0.5314 nan 0.1114 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0577 nan 0.1122 0.0211
2 1.0254 nan 0.1122 0.0165
3 0.9985 nan 0.1122 0.0132
4 0.9738 nan 0.1122 0.0121
5 0.9524 nan 0.1122 0.0101
6 0.9324 nan 0.1122 0.0097
7 0.9173 nan 0.1122 0.0079
8 0.9013 nan 0.1122 0.0077
9 0.8901 nan 0.1122 0.0055
10 0.8764 nan 0.1122 0.0067
20 0.7943 nan 0.1122 0.0029
40 0.7165 nan 0.1122 0.0015
60 0.6766 nan 0.1122 0.0005
80 0.6538 nan 0.1122 0.0004
100 0.6405 nan 0.1122 0.0004
120 0.6314 nan 0.1122 0.0001
140 0.6242 nan 0.1122 0.0002
160 0.6189 nan 0.1122 0.0001
180 0.6149 nan 0.1122 0.0000
200 0.6109 nan 0.1122 0.0000
220 0.6070 nan 0.1122 0.0002
240 0.6045 nan 0.1122 -0.0000
260 0.6021 nan 0.1122 0.0001
280 0.6001 nan 0.1122 -0.0000
300 0.5982 nan 0.1122 -0.0000
320 0.5968 nan 0.1122 -0.0000
340 0.5952 nan 0.1122 -0.0000
360 0.5939 nan 0.1122 -0.0000
380 0.5929 nan 0.1122 0.0000
400 0.5915 nan 0.1122 -0.0000
420 0.5905 nan 0.1122 -0.0001
440 0.5894 nan 0.1122 0.0000
460 0.5888 nan 0.1122 -0.0000
480 0.5880 nan 0.1122 -0.0001
500 0.5874 nan 0.1122 -0.0000
520 0.5868 nan 0.1122 -0.0000
540 0.5860 nan 0.1122 -0.0001
560 0.5852 nan 0.1122 -0.0000
580 0.5846 nan 0.1122 -0.0000
600 0.5842 nan 0.1122 -0.0000
615 0.5836 nan 0.1122 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0363 nan 0.1211 0.0315
2 0.9898 nan 0.1211 0.0234
3 0.9516 nan 0.1211 0.0192
4 0.9152 nan 0.1211 0.0183
5 0.8863 nan 0.1211 0.0145
6 0.8648 nan 0.1211 0.0103
7 0.8452 nan 0.1211 0.0099
8 0.8303 nan 0.1211 0.0073
9 0.8180 nan 0.1211 0.0057
10 0.8043 nan 0.1211 0.0067
20 0.7234 nan 0.1211 0.0027
40 0.6533 nan 0.1211 0.0009
60 0.6302 nan 0.1211 0.0002
80 0.6164 nan 0.1211 0.0002
100 0.6078 nan 0.1211 0.0000
120 0.6007 nan 0.1211 -0.0000
140 0.5954 nan 0.1211 -0.0001
160 0.5909 nan 0.1211 -0.0000
180 0.5871 nan 0.1211 0.0001
200 0.5839 nan 0.1211 -0.0001
220 0.5810 nan 0.1211 -0.0001
240 0.5779 nan 0.1211 -0.0000
260 0.5756 nan 0.1211 -0.0001
280 0.5737 nan 0.1211 -0.0001
300 0.5720 nan 0.1211 -0.0001
320 0.5700 nan 0.1211 -0.0001
340 0.5680 nan 0.1211 -0.0001
360 0.5660 nan 0.1211 -0.0000
380 0.5647 nan 0.1211 -0.0000
400 0.5630 nan 0.1211 -0.0000
420 0.5616 nan 0.1211 -0.0001
440 0.5606 nan 0.1211 -0.0001
460 0.5593 nan 0.1211 -0.0001
480 0.5584 nan 0.1211 -0.0001
500 0.5571 nan 0.1211 -0.0000
520 0.5560 nan 0.1211 -0.0001
540 0.5549 nan 0.1211 -0.0001
560 0.5537 nan 0.1211 -0.0000
580 0.5527 nan 0.1211 -0.0001
600 0.5515 nan 0.1211 -0.0001
620 0.5507 nan 0.1211 -0.0001
640 0.5499 nan 0.1211 -0.0000
660 0.5490 nan 0.1211 -0.0001
680 0.5479 nan 0.1211 -0.0000
700 0.5473 nan 0.1211 -0.0001
720 0.5463 nan 0.1211 -0.0001
740 0.5457 nan 0.1211 -0.0001
760 0.5449 nan 0.1211 -0.0001
780 0.5441 nan 0.1211 -0.0000
800 0.5434 nan 0.1211 -0.0001
820 0.5424 nan 0.1211 -0.0001
840 0.5416 nan 0.1211 -0.0001
848 0.5413 nan 0.1211 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0132 nan 0.1273 0.0444
2 0.9515 nan 0.1273 0.0308
3 0.9043 nan 0.1273 0.0237
4 0.8673 nan 0.1273 0.0180
5 0.8374 nan 0.1273 0.0145
6 0.8135 nan 0.1273 0.0116
7 0.7928 nan 0.1273 0.0102
8 0.7734 nan 0.1273 0.0094
9 0.7562 nan 0.1273 0.0085
10 0.7417 nan 0.1273 0.0068
20 0.6592 nan 0.1273 0.0019
40 0.6098 nan 0.1273 0.0004
60 0.5894 nan 0.1273 0.0001
80 0.5774 nan 0.1273 0.0002
100 0.5688 nan 0.1273 -0.0001
120 0.5624 nan 0.1273 -0.0001
140 0.5577 nan 0.1273 -0.0001
160 0.5530 nan 0.1273 -0.0001
180 0.5485 nan 0.1273 -0.0002
200 0.5444 nan 0.1273 -0.0001
220 0.5415 nan 0.1273 -0.0001
240 0.5379 nan 0.1273 -0.0001
260 0.5346 nan 0.1273 0.0004
280 0.5315 nan 0.1273 -0.0001
300 0.5287 nan 0.1273 -0.0001
320 0.5266 nan 0.1273 -0.0001
340 0.5244 nan 0.1273 -0.0001
360 0.5219 nan 0.1273 -0.0001
380 0.5194 nan 0.1273 -0.0001
400 0.5173 nan 0.1273 -0.0001
420 0.5154 nan 0.1273 -0.0001
440 0.5134 nan 0.1273 -0.0001
460 0.5120 nan 0.1273 -0.0002
480 0.5102 nan 0.1273 -0.0001
500 0.5085 nan 0.1273 -0.0002
520 0.5069 nan 0.1273 -0.0001
540 0.5047 nan 0.1273 -0.0001
560 0.5027 nan 0.1273 -0.0001
580 0.5009 nan 0.1273 -0.0002
600 0.4994 nan 0.1273 -0.0001
620 0.4976 nan 0.1273 -0.0002
638 0.4960 nan 0.1273 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0241 nan 0.1282 0.0372
2 0.9661 nan 0.1282 0.0291
3 0.9225 nan 0.1282 0.0217
4 0.8877 nan 0.1282 0.0174
5 0.8595 nan 0.1282 0.0139
6 0.8361 nan 0.1282 0.0114
7 0.8155 nan 0.1282 0.0100
8 0.7980 nan 0.1282 0.0082
9 0.7814 nan 0.1282 0.0082
10 0.7682 nan 0.1282 0.0064
20 0.6850 nan 0.1282 0.0029
40 0.6294 nan 0.1282 0.0010
60 0.6079 nan 0.1282 0.0002
80 0.5966 nan 0.1282 0.0001
100 0.5875 nan 0.1282 -0.0001
120 0.5805 nan 0.1282 0.0001
140 0.5757 nan 0.1282 0.0002
156 0.5724 nan 0.1282 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0128 nan 0.1284 0.0427
2 0.9546 nan 0.1284 0.0291
3 0.9082 nan 0.1284 0.0226
4 0.8732 nan 0.1284 0.0172
5 0.8444 nan 0.1284 0.0141
6 0.8225 nan 0.1284 0.0107
7 0.8035 nan 0.1284 0.0091
8 0.7862 nan 0.1284 0.0085
9 0.7706 nan 0.1284 0.0077
10 0.7549 nan 0.1284 0.0077
20 0.6693 nan 0.1284 0.0033
40 0.6174 nan 0.1284 0.0005
60 0.5988 nan 0.1284 0.0001
80 0.5878 nan 0.1284 0.0001
100 0.5794 nan 0.1284 -0.0000
120 0.5743 nan 0.1284 -0.0001
140 0.5677 nan 0.1284 -0.0000
160 0.5630 nan 0.1284 0.0000
180 0.5588 nan 0.1284 -0.0001
200 0.5557 nan 0.1284 -0.0002
220 0.5528 nan 0.1284 -0.0001
240 0.5498 nan 0.1284 -0.0001
260 0.5468 nan 0.1284 -0.0001
280 0.5440 nan 0.1284 -0.0001
300 0.5413 nan 0.1284 -0.0001
320 0.5392 nan 0.1284 -0.0002
340 0.5376 nan 0.1284 -0.0001
360 0.5347 nan 0.1284 -0.0001
380 0.5326 nan 0.1284 -0.0001
400 0.5310 nan 0.1284 -0.0000
420 0.5292 nan 0.1284 -0.0002
440 0.5277 nan 0.1284 -0.0001
460 0.5263 nan 0.1284 -0.0001
480 0.5246 nan 0.1284 -0.0001
500 0.5230 nan 0.1284 -0.0001
520 0.5215 nan 0.1284 -0.0001
540 0.5201 nan 0.1284 -0.0001
560 0.5188 nan 0.1284 -0.0001
580 0.5174 nan 0.1284 -0.0001
600 0.5158 nan 0.1284 0.0001
620 0.5142 nan 0.1284 -0.0000
640 0.5133 nan 0.1284 -0.0001
660 0.5122 nan 0.1284 -0.0002
680 0.5107 nan 0.1284 -0.0001
700 0.5095 nan 0.1284 -0.0002
720 0.5081 nan 0.1284 -0.0001
740 0.5069 nan 0.1284 -0.0001
746 0.5066 nan 0.1284 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0102 nan 0.1297 0.0448
2 0.9481 nan 0.1297 0.0310
3 0.9006 nan 0.1297 0.0233
4 0.8637 nan 0.1297 0.0184
5 0.8343 nan 0.1297 0.0143
6 0.8086 nan 0.1297 0.0131
7 0.7886 nan 0.1297 0.0094
8 0.7687 nan 0.1297 0.0097
9 0.7526 nan 0.1297 0.0076
10 0.7391 nan 0.1297 0.0064
20 0.6563 nan 0.1297 0.0025
40 0.6059 nan 0.1297 0.0006
60 0.5846 nan 0.1297 0.0001
80 0.5727 nan 0.1297 -0.0001
100 0.5635 nan 0.1297 0.0001
120 0.5570 nan 0.1297 -0.0001
140 0.5521 nan 0.1297 -0.0001
160 0.5470 nan 0.1297 -0.0001
180 0.5434 nan 0.1297 -0.0001
200 0.5400 nan 0.1297 -0.0002
220 0.5369 nan 0.1297 -0.0000
240 0.5335 nan 0.1297 -0.0001
260 0.5303 nan 0.1297 -0.0002
280 0.5266 nan 0.1297 -0.0001
300 0.5232 nan 0.1297 0.0003
320 0.5209 nan 0.1297 -0.0002
340 0.5179 nan 0.1297 -0.0001
360 0.5154 nan 0.1297 -0.0001
380 0.5134 nan 0.1297 -0.0000
400 0.5114 nan 0.1297 -0.0002
420 0.5088 nan 0.1297 -0.0001
440 0.5069 nan 0.1297 -0.0000
460 0.5048 nan 0.1297 -0.0001
480 0.5030 nan 0.1297 -0.0002
500 0.5002 nan 0.1297 -0.0001
509 0.4990 nan 0.1297 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0310 nan 0.1319 0.0346
2 0.9819 nan 0.1319 0.0240
3 0.9326 nan 0.1319 0.0238
4 0.8968 nan 0.1319 0.0180
5 0.8691 nan 0.1319 0.0141
6 0.8493 nan 0.1319 0.0097
7 0.8306 nan 0.1319 0.0096
8 0.8153 nan 0.1319 0.0073
9 0.8035 nan 0.1319 0.0059
10 0.7902 nan 0.1319 0.0066
20 0.7107 nan 0.1319 0.0026
40 0.6470 nan 0.1319 0.0004
60 0.6261 nan 0.1319 0.0001
80 0.6125 nan 0.1319 0.0004
100 0.6047 nan 0.1319 0.0001
120 0.5975 nan 0.1319 0.0002
140 0.5919 nan 0.1319 0.0000
160 0.5885 nan 0.1319 0.0000
180 0.5842 nan 0.1319 -0.0000
200 0.5806 nan 0.1319 0.0001
220 0.5780 nan 0.1319 -0.0000
240 0.5754 nan 0.1319 -0.0001
260 0.5734 nan 0.1319 -0.0000
280 0.5709 nan 0.1319 -0.0000
300 0.5693 nan 0.1319 -0.0001
320 0.5677 nan 0.1319 -0.0000
340 0.5661 nan 0.1319 -0.0001
360 0.5640 nan 0.1319 0.0001
380 0.5624 nan 0.1319 -0.0001
400 0.5609 nan 0.1319 0.0001
420 0.5594 nan 0.1319 -0.0001
440 0.5581 nan 0.1319 -0.0000
460 0.5561 nan 0.1319 -0.0000
480 0.5551 nan 0.1319 -0.0001
500 0.5538 nan 0.1319 -0.0000
520 0.5529 nan 0.1319 -0.0001
540 0.5517 nan 0.1319 -0.0001
560 0.5504 nan 0.1319 -0.0001
580 0.5494 nan 0.1319 -0.0001
600 0.5483 nan 0.1319 -0.0001
620 0.5475 nan 0.1319 -0.0001
640 0.5468 nan 0.1319 -0.0000
660 0.5460 nan 0.1319 -0.0001
680 0.5452 nan 0.1319 -0.0001
700 0.5443 nan 0.1319 -0.0000
720 0.5440 nan 0.1319 -0.0001
740 0.5431 nan 0.1319 -0.0002
760 0.5423 nan 0.1319 -0.0001
780 0.5416 nan 0.1319 -0.0001
797 0.5407 nan 0.1319 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0306 nan 0.1323 0.0343
2 0.9825 nan 0.1323 0.0234
3 0.9333 nan 0.1323 0.0238
4 0.9024 nan 0.1323 0.0153
5 0.8720 nan 0.1323 0.0153
6 0.8502 nan 0.1323 0.0109
7 0.8290 nan 0.1323 0.0105
8 0.8142 nan 0.1323 0.0072
9 0.7997 nan 0.1323 0.0071
10 0.7872 nan 0.1323 0.0058
20 0.7074 nan 0.1323 0.0031
40 0.6448 nan 0.1323 0.0007
60 0.6245 nan 0.1323 0.0003
80 0.6117 nan 0.1323 0.0001
100 0.6025 nan 0.1323 0.0000
120 0.5957 nan 0.1323 -0.0000
140 0.5902 nan 0.1323 -0.0000
160 0.5862 nan 0.1323 -0.0000
180 0.5825 nan 0.1323 0.0002
200 0.5777 nan 0.1323 0.0001
220 0.5743 nan 0.1323 0.0000
240 0.5715 nan 0.1323 -0.0001
260 0.5687 nan 0.1323 0.0000
280 0.5665 nan 0.1323 -0.0000
300 0.5640 nan 0.1323 -0.0000
320 0.5621 nan 0.1323 -0.0000
340 0.5605 nan 0.1323 -0.0001
360 0.5589 nan 0.1323 -0.0001
380 0.5573 nan 0.1323 -0.0001
400 0.5552 nan 0.1323 -0.0001
420 0.5541 nan 0.1323 0.0000
440 0.5529 nan 0.1323 -0.0001
460 0.5518 nan 0.1323 -0.0000
480 0.5504 nan 0.1323 -0.0001
500 0.5491 nan 0.1323 -0.0001
520 0.5480 nan 0.1323 -0.0001
540 0.5468 nan 0.1323 -0.0000
560 0.5458 nan 0.1323 -0.0001
580 0.5440 nan 0.1323 0.0000
600 0.5431 nan 0.1323 -0.0001
620 0.5418 nan 0.1323 0.0000
640 0.5408 nan 0.1323 -0.0000
660 0.5400 nan 0.1323 -0.0000
680 0.5390 nan 0.1323 -0.0001
700 0.5384 nan 0.1323 -0.0001
720 0.5372 nan 0.1323 -0.0000
740 0.5362 nan 0.1323 -0.0000
760 0.5357 nan 0.1323 -0.0001
780 0.5348 nan 0.1323 -0.0000
800 0.5337 nan 0.1323 -0.0000
820 0.5322 nan 0.1323 -0.0001
840 0.5317 nan 0.1323 -0.0001
860 0.5307 nan 0.1323 -0.0001
880 0.5299 nan 0.1323 -0.0001
900 0.5289 nan 0.1323 -0.0001
920 0.5282 nan 0.1323 -0.0001
940 0.5275 nan 0.1323 -0.0001
960 0.5268 nan 0.1323 -0.0000
980 0.5262 nan 0.1323 -0.0001
981 0.5262 nan 0.1323 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0290 nan 0.1371 0.0356
2 0.9773 nan 0.1371 0.0260
3 0.9394 nan 0.1371 0.0192
4 0.9013 nan 0.1371 0.0193
5 0.8722 nan 0.1371 0.0149
6 0.8500 nan 0.1371 0.0107
7 0.8300 nan 0.1371 0.0097
8 0.8143 nan 0.1371 0.0078
9 0.8021 nan 0.1371 0.0062
10 0.7885 nan 0.1371 0.0065
20 0.7075 nan 0.1371 0.0023
40 0.6453 nan 0.1371 0.0005
60 0.6236 nan 0.1371 0.0003
80 0.6109 nan 0.1371 0.0005
100 0.6016 nan 0.1371 0.0001
120 0.5935 nan 0.1371 0.0001
140 0.5888 nan 0.1371 -0.0001
160 0.5843 nan 0.1371 -0.0000
180 0.5812 nan 0.1371 0.0000
200 0.5783 nan 0.1371 -0.0001
220 0.5752 nan 0.1371 -0.0001
240 0.5719 nan 0.1371 -0.0001
260 0.5693 nan 0.1371 -0.0000
280 0.5677 nan 0.1371 -0.0001
300 0.5652 nan 0.1371 0.0003
320 0.5632 nan 0.1371 -0.0000
340 0.5619 nan 0.1371 -0.0001
360 0.5593 nan 0.1371 -0.0000
380 0.5571 nan 0.1371 -0.0001
400 0.5558 nan 0.1371 -0.0001
420 0.5535 nan 0.1371 -0.0001
440 0.5517 nan 0.1371 -0.0001
460 0.5503 nan 0.1371 -0.0001
480 0.5490 nan 0.1371 -0.0001
500 0.5479 nan 0.1371 -0.0001
520 0.5462 nan 0.1371 -0.0000
540 0.5443 nan 0.1371 0.0002
560 0.5434 nan 0.1371 -0.0001
580 0.5424 nan 0.1371 -0.0001
593 0.5419 nan 0.1371 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0057 nan 0.1425 0.0470
2 0.9432 nan 0.1425 0.0312
3 0.8956 nan 0.1425 0.0240
4 0.8599 nan 0.1425 0.0170
5 0.8301 nan 0.1425 0.0149
6 0.8075 nan 0.1425 0.0111
7 0.7879 nan 0.1425 0.0095
8 0.7684 nan 0.1425 0.0093
9 0.7531 nan 0.1425 0.0078
10 0.7390 nan 0.1425 0.0067
20 0.6613 nan 0.1425 0.0018
40 0.6103 nan 0.1425 0.0005
60 0.5906 nan 0.1425 0.0001
80 0.5792 nan 0.1425 -0.0000
100 0.5700 nan 0.1425 -0.0001
120 0.5627 nan 0.1425 0.0000
140 0.5574 nan 0.1425 -0.0002
160 0.5530 nan 0.1425 -0.0001
180 0.5478 nan 0.1425 -0.0000
200 0.5435 nan 0.1425 -0.0001
220 0.5408 nan 0.1425 -0.0001
240 0.5369 nan 0.1425 -0.0001
260 0.5341 nan 0.1425 -0.0002
280 0.5306 nan 0.1425 -0.0001
300 0.5271 nan 0.1425 -0.0001
320 0.5253 nan 0.1425 -0.0001
340 0.5228 nan 0.1425 -0.0001
360 0.5201 nan 0.1425 -0.0002
380 0.5177 nan 0.1425 -0.0000
400 0.5148 nan 0.1425 -0.0001
420 0.5130 nan 0.1425 -0.0001
440 0.5108 nan 0.1425 -0.0001
460 0.5083 nan 0.1425 -0.0001
480 0.5059 nan 0.1425 0.0001
500 0.5037 nan 0.1425 -0.0001
520 0.5021 nan 0.1425 -0.0002
540 0.5005 nan 0.1425 -0.0001
560 0.4985 nan 0.1425 -0.0001
580 0.4971 nan 0.1425 -0.0001
600 0.4956 nan 0.1425 -0.0001
620 0.4937 nan 0.1425 -0.0001
640 0.4919 nan 0.1425 -0.0001
660 0.4907 nan 0.1425 -0.0001
680 0.4891 nan 0.1425 -0.0001
700 0.4873 nan 0.1425 -0.0002
720 0.4857 nan 0.1425 -0.0001
740 0.4843 nan 0.1425 -0.0001
760 0.4823 nan 0.1425 -0.0001
780 0.4808 nan 0.1425 -0.0002
800 0.4789 nan 0.1425 -0.0002
820 0.4773 nan 0.1425 -0.0002
831 0.4764 nan 0.1425 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0011 nan 0.1438 0.0496
2 0.9347 nan 0.1438 0.0315
3 0.8861 nan 0.1438 0.0249
4 0.8478 nan 0.1438 0.0186
5 0.8183 nan 0.1438 0.0146
6 0.7958 nan 0.1438 0.0110
7 0.7747 nan 0.1438 0.0100
8 0.7552 nan 0.1438 0.0096
9 0.7383 nan 0.1438 0.0083
10 0.7238 nan 0.1438 0.0071
20 0.6485 nan 0.1438 0.0024
40 0.6017 nan 0.1438 0.0003
60 0.5829 nan 0.1438 0.0001
80 0.5727 nan 0.1438 0.0002
100 0.5634 nan 0.1438 0.0001
120 0.5576 nan 0.1438 -0.0001
140 0.5519 nan 0.1438 -0.0001
160 0.5473 nan 0.1438 -0.0001
180 0.5435 nan 0.1438 -0.0001
200 0.5394 nan 0.1438 -0.0002
220 0.5362 nan 0.1438 -0.0001
240 0.5332 nan 0.1438 -0.0001
259 0.5305 nan 0.1438 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0041 nan 0.1455 0.0486
2 0.9403 nan 0.1455 0.0321
3 0.8911 nan 0.1455 0.0247
4 0.8553 nan 0.1455 0.0173
5 0.8248 nan 0.1455 0.0146
6 0.8018 nan 0.1455 0.0114
7 0.7802 nan 0.1455 0.0102
8 0.7612 nan 0.1455 0.0094
9 0.7440 nan 0.1455 0.0085
10 0.7292 nan 0.1455 0.0072
20 0.6543 nan 0.1455 0.0019
40 0.6096 nan 0.1455 0.0009
60 0.5876 nan 0.1455 0.0003
80 0.5752 nan 0.1455 0.0002
100 0.5661 nan 0.1455 0.0002
108 0.5637 nan 0.1455 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0251 nan 0.1479 0.0386
2 0.9708 nan 0.1479 0.0264
3 0.9305 nan 0.1479 0.0200
4 0.8908 nan 0.1479 0.0197
5 0.8611 nan 0.1479 0.0147
6 0.8402 nan 0.1479 0.0105
7 0.8212 nan 0.1479 0.0092
8 0.8048 nan 0.1479 0.0081
9 0.7927 nan 0.1479 0.0061
10 0.7778 nan 0.1479 0.0074
20 0.6953 nan 0.1479 0.0023
40 0.6386 nan 0.1479 0.0007
60 0.6190 nan 0.1479 0.0002
80 0.6051 nan 0.1479 0.0002
100 0.5973 nan 0.1479 0.0001
120 0.5905 nan 0.1479 0.0000
140 0.5852 nan 0.1479 -0.0000
160 0.5815 nan 0.1479 -0.0001
180 0.5785 nan 0.1479 -0.0000
200 0.5756 nan 0.1479 -0.0000
220 0.5728 nan 0.1479 0.0000
240 0.5699 nan 0.1479 -0.0001
260 0.5663 nan 0.1479 0.0000
280 0.5637 nan 0.1479 -0.0001
300 0.5610 nan 0.1479 -0.0001
320 0.5587 nan 0.1479 -0.0001
340 0.5570 nan 0.1479 -0.0000
360 0.5546 nan 0.1479 -0.0001
380 0.5524 nan 0.1479 -0.0000
400 0.5509 nan 0.1479 -0.0001
420 0.5488 nan 0.1479 -0.0000
440 0.5468 nan 0.1479 -0.0001
460 0.5456 nan 0.1479 -0.0001
480 0.5442 nan 0.1479 -0.0001
500 0.5427 nan 0.1479 -0.0000
520 0.5413 nan 0.1479 0.0000
540 0.5396 nan 0.1479 -0.0000
560 0.5384 nan 0.1479 -0.0000
580 0.5373 nan 0.1479 -0.0002
600 0.5365 nan 0.1479 -0.0001
620 0.5352 nan 0.1479 -0.0001
640 0.5340 nan 0.1479 -0.0001
660 0.5327 nan 0.1479 -0.0001
680 0.5317 nan 0.1479 -0.0001
700 0.5308 nan 0.1479 -0.0001
720 0.5301 nan 0.1479 -0.0001
740 0.5291 nan 0.1479 -0.0000
760 0.5279 nan 0.1479 -0.0001
780 0.5270 nan 0.1479 -0.0000
800 0.5260 nan 0.1479 -0.0001
820 0.5248 nan 0.1479 -0.0000
840 0.5237 nan 0.1479 -0.0001
860 0.5228 nan 0.1479 -0.0000
880 0.5221 nan 0.1479 -0.0001
900 0.5211 nan 0.1479 -0.0001
920 0.5205 nan 0.1479 -0.0001
940 0.5195 nan 0.1479 -0.0001
960 0.5188 nan 0.1479 -0.0000
980 0.5180 nan 0.1479 -0.0001
986 0.5179 nan 0.1479 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9986 nan 0.1486 0.0500
2 0.9317 nan 0.1486 0.0334
3 0.8805 nan 0.1486 0.0253
4 0.8432 nan 0.1486 0.0186
5 0.8135 nan 0.1486 0.0145
6 0.7900 nan 0.1486 0.0115
7 0.7683 nan 0.1486 0.0107
8 0.7490 nan 0.1486 0.0092
9 0.7323 nan 0.1486 0.0084
10 0.7192 nan 0.1486 0.0063
20 0.6457 nan 0.1486 0.0020
40 0.6005 nan 0.1486 0.0007
60 0.5828 nan 0.1486 0.0000
80 0.5705 nan 0.1486 -0.0000
100 0.5622 nan 0.1486 0.0001
120 0.5564 nan 0.1486 -0.0001
140 0.5513 nan 0.1486 -0.0001
160 0.5475 nan 0.1486 -0.0000
180 0.5433 nan 0.1486 -0.0002
200 0.5399 nan 0.1486 -0.0002
220 0.5355 nan 0.1486 -0.0000
240 0.5319 nan 0.1486 -0.0002
260 0.5285 nan 0.1486 -0.0002
280 0.5252 nan 0.1486 -0.0001
300 0.5222 nan 0.1486 -0.0001
320 0.5193 nan 0.1486 -0.0002
340 0.5161 nan 0.1486 -0.0002
360 0.5138 nan 0.1486 -0.0002
380 0.5109 nan 0.1486 -0.0001
400 0.5090 nan 0.1486 -0.0001
420 0.5067 nan 0.1486 -0.0001
440 0.5043 nan 0.1486 -0.0001
460 0.5017 nan 0.1486 -0.0001
480 0.5000 nan 0.1486 -0.0002
500 0.4978 nan 0.1486 -0.0001
520 0.4958 nan 0.1486 -0.0002
540 0.4930 nan 0.1486 -0.0002
560 0.4909 nan 0.1486 -0.0003
580 0.4890 nan 0.1486 -0.0002
600 0.4872 nan 0.1486 -0.0002
620 0.4848 nan 0.1486 -0.0000
640 0.4831 nan 0.1486 -0.0002
660 0.4816 nan 0.1486 -0.0002
680 0.4798 nan 0.1486 -0.0002
700 0.4784 nan 0.1486 -0.0002
720 0.4768 nan 0.1486 -0.0002
740 0.4749 nan 0.1486 -0.0002
760 0.4733 nan 0.1486 -0.0001
780 0.4718 nan 0.1486 -0.0001
800 0.4703 nan 0.1486 -0.0001
820 0.4691 nan 0.1486 -0.0001
840 0.4673 nan 0.1486 -0.0001
860 0.4661 nan 0.1486 -0.0001
880 0.4647 nan 0.1486 -0.0002
900 0.4635 nan 0.1486 -0.0002
920 0.4618 nan 0.1486 -0.0002
940 0.4606 nan 0.1486 -0.0001
957 0.4598 nan 0.1486 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0014 nan 0.1502 0.0501
2 0.9376 nan 0.1502 0.0323
3 0.8891 nan 0.1502 0.0238
4 0.8527 nan 0.1502 0.0180
5 0.8253 nan 0.1502 0.0135
6 0.7972 nan 0.1502 0.0140
7 0.7754 nan 0.1502 0.0104
8 0.7585 nan 0.1502 0.0079
9 0.7419 nan 0.1502 0.0083
10 0.7269 nan 0.1502 0.0073
20 0.6547 nan 0.1502 0.0018
40 0.6106 nan 0.1502 0.0003
60 0.5908 nan 0.1502 0.0006
80 0.5799 nan 0.1502 0.0000
100 0.5724 nan 0.1502 -0.0000
120 0.5654 nan 0.1502 0.0002
140 0.5594 nan 0.1502 0.0001
160 0.5542 nan 0.1502 -0.0001
180 0.5504 nan 0.1502 -0.0001
200 0.5467 nan 0.1502 -0.0001
220 0.5430 nan 0.1502 0.0004
240 0.5396 nan 0.1502 -0.0000
260 0.5367 nan 0.1502 -0.0001
280 0.5330 nan 0.1502 -0.0001
300 0.5298 nan 0.1502 -0.0000
320 0.5281 nan 0.1502 -0.0002
340 0.5260 nan 0.1502 -0.0000
360 0.5235 nan 0.1502 -0.0001
380 0.5212 nan 0.1502 -0.0001
400 0.5197 nan 0.1502 -0.0002
420 0.5178 nan 0.1502 -0.0001
440 0.5164 nan 0.1502 -0.0003
460 0.5142 nan 0.1502 -0.0001
480 0.5126 nan 0.1502 -0.0001
500 0.5108 nan 0.1502 -0.0001
520 0.5093 nan 0.1502 -0.0001
540 0.5079 nan 0.1502 -0.0002
560 0.5066 nan 0.1502 -0.0000
580 0.5054 nan 0.1502 -0.0001
600 0.5039 nan 0.1502 -0.0002
620 0.5027 nan 0.1502 -0.0002
640 0.5015 nan 0.1502 -0.0001
660 0.4996 nan 0.1502 -0.0002
680 0.4982 nan 0.1502 -0.0002
689 0.4976 nan 0.1502 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9958 nan 0.1546 0.0503
2 0.9301 nan 0.1546 0.0331
3 0.8816 nan 0.1546 0.0234
4 0.8467 nan 0.1546 0.0172
5 0.8173 nan 0.1546 0.0147
6 0.7953 nan 0.1546 0.0107
7 0.7715 nan 0.1546 0.0117
8 0.7556 nan 0.1546 0.0077
9 0.7423 nan 0.1546 0.0062
10 0.7266 nan 0.1546 0.0077
20 0.6515 nan 0.1546 0.0027
40 0.6051 nan 0.1546 0.0004
60 0.5880 nan 0.1546 0.0000
80 0.5766 nan 0.1546 -0.0000
100 0.5677 nan 0.1546 -0.0002
120 0.5616 nan 0.1546 -0.0002
140 0.5568 nan 0.1546 -0.0001
160 0.5501 nan 0.1546 -0.0001
180 0.5460 nan 0.1546 -0.0001
200 0.5418 nan 0.1546 -0.0001
220 0.5376 nan 0.1546 -0.0002
240 0.5331 nan 0.1546 0.0000
260 0.5304 nan 0.1546 -0.0000
280 0.5278 nan 0.1546 -0.0002
300 0.5241 nan 0.1546 -0.0001
320 0.5209 nan 0.1546 -0.0001
340 0.5180 nan 0.1546 -0.0001
347 0.5172 nan 0.1546 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9967 nan 0.1561 0.0513
2 0.9314 nan 0.1561 0.0322
3 0.8823 nan 0.1561 0.0237
4 0.8446 nan 0.1561 0.0187
5 0.8168 nan 0.1561 0.0136
6 0.7927 nan 0.1561 0.0117
7 0.7710 nan 0.1561 0.0106
8 0.7540 nan 0.1561 0.0084
9 0.7402 nan 0.1561 0.0070
10 0.7279 nan 0.1561 0.0057
20 0.6494 nan 0.1561 0.0026
40 0.6044 nan 0.1561 0.0003
60 0.5865 nan 0.1561 -0.0000
80 0.5742 nan 0.1561 0.0003
100 0.5678 nan 0.1561 -0.0000
120 0.5596 nan 0.1561 -0.0000
140 0.5538 nan 0.1561 -0.0001
160 0.5486 nan 0.1561 -0.0000
180 0.5445 nan 0.1561 -0.0001
200 0.5405 nan 0.1561 -0.0000
220 0.5367 nan 0.1561 -0.0000
240 0.5330 nan 0.1561 -0.0001
260 0.5298 nan 0.1561 -0.0002
280 0.5263 nan 0.1561 -0.0002
300 0.5235 nan 0.1561 -0.0002
302 0.5232 nan 0.1561 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0097 nan 0.1572 0.0458
2 0.9439 nan 0.1572 0.0327
3 0.8980 nan 0.1572 0.0232
4 0.8607 nan 0.1572 0.0186
5 0.8331 nan 0.1572 0.0138
6 0.8058 nan 0.1572 0.0139
7 0.7837 nan 0.1572 0.0111
8 0.7699 nan 0.1572 0.0067
9 0.7529 nan 0.1572 0.0082
10 0.7399 nan 0.1572 0.0065
20 0.6668 nan 0.1572 0.0022
40 0.6195 nan 0.1572 0.0005
60 0.6023 nan 0.1572 0.0002
80 0.5914 nan 0.1572 -0.0000
100 0.5840 nan 0.1572 -0.0001
120 0.5789 nan 0.1572 -0.0001
140 0.5745 nan 0.1572 -0.0001
160 0.5713 nan 0.1572 -0.0000
180 0.5667 nan 0.1572 0.0000
200 0.5639 nan 0.1572 -0.0001
220 0.5602 nan 0.1572 -0.0001
240 0.5577 nan 0.1572 0.0000
260 0.5540 nan 0.1572 0.0000
280 0.5516 nan 0.1572 -0.0001
300 0.5499 nan 0.1572 -0.0000
320 0.5486 nan 0.1572 -0.0001
340 0.5459 nan 0.1572 0.0002
360 0.5445 nan 0.1572 -0.0001
380 0.5427 nan 0.1572 -0.0001
400 0.5410 nan 0.1572 -0.0001
404 0.5405 nan 0.1572 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0075 nan 0.1580 0.0460
2 0.9408 nan 0.1580 0.0333
3 0.8939 nan 0.1580 0.0229
4 0.8537 nan 0.1580 0.0201
5 0.8231 nan 0.1580 0.0149
6 0.8010 nan 0.1580 0.0108
7 0.7822 nan 0.1580 0.0092
8 0.7654 nan 0.1580 0.0082
9 0.7508 nan 0.1580 0.0070
10 0.7385 nan 0.1580 0.0053
20 0.6634 nan 0.1580 0.0026
40 0.6186 nan 0.1580 0.0004
60 0.6002 nan 0.1580 0.0003
80 0.5904 nan 0.1580 0.0000
100 0.5828 nan 0.1580 -0.0000
120 0.5763 nan 0.1580 -0.0001
140 0.5703 nan 0.1580 -0.0002
160 0.5657 nan 0.1580 -0.0000
180 0.5625 nan 0.1580 -0.0002
200 0.5591 nan 0.1580 -0.0001
220 0.5565 nan 0.1580 -0.0001
240 0.5540 nan 0.1580 -0.0001
260 0.5520 nan 0.1580 -0.0001
280 0.5501 nan 0.1580 -0.0002
300 0.5484 nan 0.1580 -0.0002
320 0.5452 nan 0.1580 -0.0001
340 0.5434 nan 0.1580 -0.0001
360 0.5419 nan 0.1580 -0.0001
380 0.5400 nan 0.1580 -0.0001
400 0.5386 nan 0.1580 -0.0002
420 0.5374 nan 0.1580 -0.0001
440 0.5350 nan 0.1580 -0.0001
460 0.5325 nan 0.1580 -0.0000
480 0.5310 nan 0.1580 -0.0002
500 0.5298 nan 0.1580 -0.0000
514 0.5287 nan 0.1580 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0087 nan 0.1589 0.0465
2 0.9447 nan 0.1589 0.0312
3 0.8940 nan 0.1589 0.0245
4 0.8536 nan 0.1589 0.0207
5 0.8268 nan 0.1589 0.0131
6 0.8011 nan 0.1589 0.0122
7 0.7840 nan 0.1589 0.0080
8 0.7664 nan 0.1589 0.0085
9 0.7519 nan 0.1589 0.0071
10 0.7375 nan 0.1589 0.0069
20 0.6648 nan 0.1589 0.0023
40 0.6186 nan 0.1589 0.0004
60 0.6011 nan 0.1589 -0.0001
80 0.5899 nan 0.1589 0.0002
100 0.5799 nan 0.1589 0.0003
120 0.5752 nan 0.1589 -0.0001
140 0.5700 nan 0.1589 -0.0001
160 0.5670 nan 0.1589 -0.0000
180 0.5630 nan 0.1589 -0.0000
200 0.5590 nan 0.1589 -0.0001
220 0.5559 nan 0.1589 -0.0001
240 0.5525 nan 0.1589 0.0000
260 0.5501 nan 0.1589 -0.0000
280 0.5479 nan 0.1589 0.0000
300 0.5447 nan 0.1589 -0.0001
320 0.5426 nan 0.1589 -0.0001
340 0.5407 nan 0.1589 -0.0002
360 0.5391 nan 0.1589 -0.0001
380 0.5376 nan 0.1589 -0.0001
400 0.5360 nan 0.1589 -0.0001
420 0.5344 nan 0.1589 -0.0001
440 0.5325 nan 0.1589 -0.0001
460 0.5312 nan 0.1589 -0.0001
480 0.5296 nan 0.1589 -0.0002
500 0.5281 nan 0.1589 -0.0001
520 0.5267 nan 0.1589 -0.0001
540 0.5252 nan 0.1589 -0.0001
557 0.5243 nan 0.1589 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0192 nan 0.1591 0.0405
2 0.9640 nan 0.1591 0.0285
3 0.9233 nan 0.1591 0.0199
4 0.8831 nan 0.1591 0.0201
5 0.8530 nan 0.1591 0.0150
6 0.8317 nan 0.1591 0.0103
7 0.8142 nan 0.1591 0.0084
8 0.8017 nan 0.1591 0.0062
9 0.7865 nan 0.1591 0.0075
10 0.7743 nan 0.1591 0.0059
20 0.6916 nan 0.1591 0.0017
40 0.6364 nan 0.1591 0.0003
60 0.6172 nan 0.1591 0.0004
80 0.6046 nan 0.1591 0.0001
100 0.5964 nan 0.1591 0.0001
120 0.5900 nan 0.1591 0.0001
140 0.5849 nan 0.1591 -0.0000
160 0.5808 nan 0.1591 0.0000
180 0.5779 nan 0.1591 0.0001
200 0.5744 nan 0.1591 -0.0000
220 0.5693 nan 0.1591 -0.0001
240 0.5667 nan 0.1591 -0.0001
260 0.5638 nan 0.1591 -0.0001
280 0.5619 nan 0.1591 0.0000
300 0.5598 nan 0.1591 -0.0001
320 0.5575 nan 0.1591 -0.0001
340 0.5561 nan 0.1591 -0.0001
360 0.5544 nan 0.1591 -0.0001
380 0.5530 nan 0.1591 -0.0001
400 0.5521 nan 0.1591 -0.0001
420 0.5506 nan 0.1591 -0.0001
440 0.5491 nan 0.1591 -0.0001
460 0.5481 nan 0.1591 -0.0001
480 0.5470 nan 0.1591 -0.0000
500 0.5460 nan 0.1591 -0.0001
520 0.5446 nan 0.1591 -0.0001
540 0.5435 nan 0.1591 -0.0001
560 0.5425 nan 0.1591 -0.0001
580 0.5409 nan 0.1591 -0.0001
600 0.5397 nan 0.1591 -0.0001
620 0.5380 nan 0.1591 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9981 nan 0.1593 0.0508
2 0.9293 nan 0.1593 0.0333
3 0.8802 nan 0.1593 0.0243
4 0.8452 nan 0.1593 0.0179
5 0.8159 nan 0.1593 0.0139
6 0.7915 nan 0.1593 0.0123
7 0.7670 nan 0.1593 0.0118
8 0.7501 nan 0.1593 0.0082
9 0.7367 nan 0.1593 0.0070
10 0.7221 nan 0.1593 0.0069
20 0.6480 nan 0.1593 0.0015
40 0.6049 nan 0.1593 0.0008
60 0.5877 nan 0.1593 0.0001
80 0.5770 nan 0.1593 -0.0000
100 0.5698 nan 0.1593 -0.0000
120 0.5640 nan 0.1593 -0.0000
140 0.5593 nan 0.1593 -0.0001
160 0.5556 nan 0.1593 -0.0000
180 0.5515 nan 0.1593 -0.0001
200 0.5480 nan 0.1593 -0.0002
220 0.5452 nan 0.1593 -0.0001
240 0.5424 nan 0.1593 -0.0002
260 0.5402 nan 0.1593 -0.0002
280 0.5383 nan 0.1593 -0.0002
300 0.5351 nan 0.1593 -0.0001
320 0.5327 nan 0.1593 -0.0001
340 0.5312 nan 0.1593 -0.0001
360 0.5292 nan 0.1593 -0.0001
380 0.5273 nan 0.1593 -0.0002
400 0.5260 nan 0.1593 -0.0001
420 0.5245 nan 0.1593 -0.0002
440 0.5223 nan 0.1593 -0.0002
460 0.5212 nan 0.1593 -0.0001
480 0.5198 nan 0.1593 -0.0000
500 0.5184 nan 0.1593 -0.0000
520 0.5169 nan 0.1593 -0.0001
540 0.5155 nan 0.1593 -0.0002
560 0.5136 nan 0.1593 -0.0001
580 0.5122 nan 0.1593 -0.0001
600 0.5110 nan 0.1593 -0.0001
620 0.5094 nan 0.1593 -0.0001
639 0.5082 nan 0.1593 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9901 nan 0.1625 0.0541
2 0.9202 nan 0.1625 0.0351
3 0.8688 nan 0.1625 0.0257
4 0.8296 nan 0.1625 0.0194
5 0.8004 nan 0.1625 0.0145
6 0.7763 nan 0.1625 0.0120
7 0.7572 nan 0.1625 0.0094
8 0.7384 nan 0.1625 0.0091
9 0.7224 nan 0.1625 0.0079
10 0.7104 nan 0.1625 0.0056
20 0.6363 nan 0.1625 0.0012
40 0.5963 nan 0.1625 0.0008
60 0.5803 nan 0.1625 0.0000
80 0.5680 nan 0.1625 -0.0001
100 0.5619 nan 0.1625 -0.0002
120 0.5552 nan 0.1625 -0.0001
140 0.5499 nan 0.1625 -0.0002
160 0.5446 nan 0.1625 -0.0002
180 0.5401 nan 0.1625 -0.0001
185 0.5392 nan 0.1625 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9908 nan 0.1685 0.0552
2 0.9211 nan 0.1685 0.0344
3 0.8718 nan 0.1685 0.0242
4 0.8361 nan 0.1685 0.0172
5 0.8060 nan 0.1685 0.0146
6 0.7805 nan 0.1685 0.0127
7 0.7568 nan 0.1685 0.0113
8 0.7394 nan 0.1685 0.0085
9 0.7255 nan 0.1685 0.0071
10 0.7127 nan 0.1685 0.0056
20 0.6410 nan 0.1685 0.0021
40 0.6002 nan 0.1685 0.0002
60 0.5823 nan 0.1685 0.0000
80 0.5709 nan 0.1685 -0.0001
100 0.5626 nan 0.1685 -0.0001
120 0.5552 nan 0.1685 -0.0001
140 0.5486 nan 0.1685 -0.0002
160 0.5445 nan 0.1685 -0.0000
180 0.5394 nan 0.1685 -0.0001
200 0.5334 nan 0.1685 -0.0001
220 0.5299 nan 0.1685 -0.0001
240 0.5261 nan 0.1685 -0.0002
260 0.5228 nan 0.1685 -0.0001
280 0.5194 nan 0.1685 -0.0001
300 0.5162 nan 0.1685 -0.0001
320 0.5132 nan 0.1685 -0.0001
340 0.5100 nan 0.1685 -0.0001
360 0.5063 nan 0.1685 -0.0001
380 0.5034 nan 0.1685 -0.0002
400 0.5008 nan 0.1685 -0.0001
420 0.4983 nan 0.1685 -0.0001
440 0.4961 nan 0.1685 -0.0001
460 0.4926 nan 0.1685 -0.0001
480 0.4896 nan 0.1685 -0.0000
500 0.4872 nan 0.1685 -0.0001
520 0.4848 nan 0.1685 -0.0002
540 0.4824 nan 0.1685 -0.0001
560 0.4803 nan 0.1685 -0.0001
580 0.4780 nan 0.1685 -0.0001
600 0.4759 nan 0.1685 -0.0002
620 0.4727 nan 0.1685 -0.0001
640 0.4699 nan 0.1685 -0.0001
660 0.4680 nan 0.1685 -0.0001
680 0.4660 nan 0.1685 -0.0002
700 0.4637 nan 0.1685 -0.0002
720 0.4611 nan 0.1685 -0.0002
740 0.4592 nan 0.1685 -0.0001
750 0.4586 nan 0.1685 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0148 nan 0.1687 0.0429
2 0.9575 nan 0.1687 0.0286
3 0.9082 nan 0.1687 0.0244
4 0.8788 nan 0.1687 0.0141
5 0.8475 nan 0.1687 0.0150
6 0.8263 nan 0.1687 0.0105
7 0.8069 nan 0.1687 0.0100
8 0.7869 nan 0.1687 0.0097
9 0.7753 nan 0.1687 0.0058
10 0.7625 nan 0.1687 0.0064
20 0.6848 nan 0.1687 0.0020
40 0.6336 nan 0.1687 0.0004
60 0.6151 nan 0.1687 0.0001
80 0.6032 nan 0.1687 -0.0001
100 0.5954 nan 0.1687 0.0002
120 0.5901 nan 0.1687 0.0001
140 0.5864 nan 0.1687 -0.0001
160 0.5824 nan 0.1687 -0.0001
180 0.5789 nan 0.1687 -0.0001
200 0.5760 nan 0.1687 -0.0001
220 0.5736 nan 0.1687 -0.0001
240 0.5712 nan 0.1687 -0.0001
257 0.5695 nan 0.1687 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0143 nan 0.1688 0.0436
2 0.9573 nan 0.1688 0.0281
3 0.9016 nan 0.1688 0.0279
4 0.8639 nan 0.1688 0.0194
5 0.8395 nan 0.1688 0.0117
6 0.8192 nan 0.1688 0.0097
7 0.8009 nan 0.1688 0.0094
8 0.7856 nan 0.1688 0.0073
9 0.7696 nan 0.1688 0.0081
10 0.7581 nan 0.1688 0.0054
20 0.6824 nan 0.1688 0.0016
40 0.6306 nan 0.1688 0.0005
60 0.6127 nan 0.1688 -0.0001
80 0.6011 nan 0.1688 0.0004
100 0.5922 nan 0.1688 0.0000
120 0.5864 nan 0.1688 0.0003
140 0.5812 nan 0.1688 -0.0001
160 0.5772 nan 0.1688 0.0002
180 0.5739 nan 0.1688 -0.0000
200 0.5712 nan 0.1688 -0.0001
220 0.5690 nan 0.1688 -0.0001
240 0.5665 nan 0.1688 -0.0001
260 0.5629 nan 0.1688 -0.0001
280 0.5610 nan 0.1688 -0.0002
300 0.5594 nan 0.1688 -0.0001
320 0.5579 nan 0.1688 -0.0001
340 0.5562 nan 0.1688 0.0001
360 0.5535 nan 0.1688 -0.0001
380 0.5509 nan 0.1688 -0.0000
400 0.5494 nan 0.1688 -0.0001
420 0.5481 nan 0.1688 -0.0001
440 0.5468 nan 0.1688 -0.0001
460 0.5455 nan 0.1688 -0.0001
480 0.5444 nan 0.1688 -0.0000
500 0.5432 nan 0.1688 -0.0002
520 0.5418 nan 0.1688 -0.0001
540 0.5406 nan 0.1688 -0.0001
560 0.5393 nan 0.1688 -0.0000
572 0.5387 nan 0.1688 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9826 nan 0.1722 0.0575
2 0.9118 nan 0.1722 0.0351
3 0.8601 nan 0.1722 0.0252
4 0.8214 nan 0.1722 0.0191
5 0.7910 nan 0.1722 0.0149
6 0.7671 nan 0.1722 0.0116
7 0.7436 nan 0.1722 0.0114
8 0.7245 nan 0.1722 0.0089
9 0.7109 nan 0.1722 0.0065
10 0.6985 nan 0.1722 0.0056
20 0.6336 nan 0.1722 0.0014
40 0.5923 nan 0.1722 0.0000
60 0.5778 nan 0.1722 0.0001
80 0.5650 nan 0.1722 0.0003
100 0.5554 nan 0.1722 -0.0001
120 0.5489 nan 0.1722 -0.0002
140 0.5422 nan 0.1722 -0.0002
160 0.5364 nan 0.1722 -0.0001
180 0.5314 nan 0.1722 -0.0001
200 0.5272 nan 0.1722 -0.0001
220 0.5234 nan 0.1722 -0.0001
240 0.5185 nan 0.1722 -0.0003
260 0.5149 nan 0.1722 -0.0003
280 0.5115 nan 0.1722 -0.0001
300 0.5088 nan 0.1722 -0.0002
320 0.5056 nan 0.1722 -0.0003
340 0.5016 nan 0.1722 -0.0001
360 0.4985 nan 0.1722 -0.0002
380 0.4959 nan 0.1722 -0.0002
400 0.4921 nan 0.1722 -0.0002
420 0.4894 nan 0.1722 -0.0002
440 0.4864 nan 0.1722 -0.0002
460 0.4837 nan 0.1722 -0.0001
480 0.4814 nan 0.1722 -0.0001
500 0.4787 nan 0.1722 -0.0002
520 0.4764 nan 0.1722 -0.0001
540 0.4744 nan 0.1722 -0.0001
560 0.4724 nan 0.1722 -0.0002
580 0.4703 nan 0.1722 -0.0001
600 0.4682 nan 0.1722 -0.0002
620 0.4654 nan 0.1722 -0.0001
640 0.4634 nan 0.1722 -0.0001
660 0.4615 nan 0.1722 -0.0001
665 0.4611 nan 0.1722 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9836 nan 0.1728 0.0569
2 0.9125 nan 0.1728 0.0353
3 0.8616 nan 0.1728 0.0261
4 0.8238 nan 0.1728 0.0185
5 0.7936 nan 0.1728 0.0153
6 0.7703 nan 0.1728 0.0115
7 0.7449 nan 0.1728 0.0118
8 0.7283 nan 0.1728 0.0080
9 0.7132 nan 0.1728 0.0070
10 0.6979 nan 0.1728 0.0073
20 0.6344 nan 0.1728 0.0016
40 0.5984 nan 0.1728 0.0006
60 0.5834 nan 0.1728 -0.0000
80 0.5729 nan 0.1728 0.0002
100 0.5654 nan 0.1728 -0.0002
120 0.5592 nan 0.1728 -0.0001
140 0.5542 nan 0.1728 -0.0001
160 0.5499 nan 0.1728 -0.0002
180 0.5461 nan 0.1728 -0.0002
200 0.5422 nan 0.1728 -0.0002
220 0.5383 nan 0.1728 -0.0001
240 0.5349 nan 0.1728 -0.0002
260 0.5314 nan 0.1728 -0.0002
280 0.5278 nan 0.1728 -0.0002
300 0.5249 nan 0.1728 -0.0003
320 0.5212 nan 0.1728 -0.0001
340 0.5190 nan 0.1728 -0.0003
360 0.5161 nan 0.1728 0.0001
380 0.5138 nan 0.1728 -0.0001
400 0.5110 nan 0.1728 -0.0004
420 0.5090 nan 0.1728 -0.0002
434 0.5075 nan 0.1728 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9856 nan 0.1746 0.0559
2 0.9159 nan 0.1746 0.0351
3 0.8667 nan 0.1746 0.0245
4 0.8321 nan 0.1746 0.0167
5 0.8045 nan 0.1746 0.0134
6 0.7770 nan 0.1746 0.0136
7 0.7577 nan 0.1746 0.0094
8 0.7376 nan 0.1746 0.0097
9 0.7202 nan 0.1746 0.0081
10 0.7080 nan 0.1746 0.0059
20 0.6420 nan 0.1746 0.0021
40 0.6005 nan 0.1746 0.0002
60 0.5815 nan 0.1746 -0.0001
80 0.5714 nan 0.1746 -0.0001
100 0.5622 nan 0.1746 -0.0000
120 0.5558 nan 0.1746 -0.0001
140 0.5482 nan 0.1746 0.0000
160 0.5429 nan 0.1746 -0.0000
180 0.5369 nan 0.1746 0.0001
200 0.5330 nan 0.1746 -0.0001
220 0.5292 nan 0.1746 -0.0001
240 0.5259 nan 0.1746 -0.0002
260 0.5219 nan 0.1746 -0.0001
280 0.5189 nan 0.1746 -0.0001
300 0.5161 nan 0.1746 -0.0002
320 0.5133 nan 0.1746 -0.0000
340 0.5095 nan 0.1746 0.0000
360 0.5066 nan 0.1746 -0.0001
380 0.5037 nan 0.1746 -0.0002
400 0.5004 nan 0.1746 -0.0001
420 0.4978 nan 0.1746 -0.0002
440 0.4955 nan 0.1746 -0.0002
460 0.4936 nan 0.1746 -0.0002
480 0.4911 nan 0.1746 -0.0001
500 0.4877 nan 0.1746 -0.0001
520 0.4854 nan 0.1746 -0.0002
540 0.4837 nan 0.1746 -0.0001
560 0.4817 nan 0.1746 -0.0000
580 0.4783 nan 0.1746 -0.0001
600 0.4759 nan 0.1746 -0.0001
620 0.4738 nan 0.1746 -0.0001
640 0.4710 nan 0.1746 -0.0001
660 0.4686 nan 0.1746 -0.0001
680 0.4664 nan 0.1746 -0.0001
700 0.4641 nan 0.1746 -0.0001
720 0.4619 nan 0.1746 -0.0001
740 0.4596 nan 0.1746 -0.0001
760 0.4582 nan 0.1746 -0.0001
780 0.4561 nan 0.1746 -0.0002
800 0.4542 nan 0.1746 -0.0002
820 0.4517 nan 0.1746 -0.0001
840 0.4500 nan 0.1746 -0.0002
860 0.4482 nan 0.1746 -0.0002
870 0.4471 nan 0.1746 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9966 nan 0.1804 0.0518
2 0.9249 nan 0.1804 0.0368
3 0.8768 nan 0.1804 0.0233
4 0.8403 nan 0.1804 0.0181
5 0.8098 nan 0.1804 0.0147
6 0.7877 nan 0.1804 0.0108
7 0.7686 nan 0.1804 0.0090
8 0.7502 nan 0.1804 0.0091
9 0.7367 nan 0.1804 0.0066
10 0.7220 nan 0.1804 0.0069
20 0.6519 nan 0.1804 0.0026
40 0.6118 nan 0.1804 0.0002
60 0.5935 nan 0.1804 0.0003
80 0.5835 nan 0.1804 0.0001
100 0.5771 nan 0.1804 -0.0000
120 0.5714 nan 0.1804 -0.0002
140 0.5670 nan 0.1804 -0.0001
160 0.5623 nan 0.1804 -0.0000
180 0.5590 nan 0.1804 -0.0001
200 0.5546 nan 0.1804 -0.0001
220 0.5512 nan 0.1804 -0.0001
240 0.5485 nan 0.1804 -0.0001
260 0.5453 nan 0.1804 -0.0002
280 0.5439 nan 0.1804 -0.0001
300 0.5413 nan 0.1804 -0.0002
320 0.5398 nan 0.1804 -0.0002
340 0.5385 nan 0.1804 -0.0002
360 0.5364 nan 0.1804 -0.0002
380 0.5348 nan 0.1804 -0.0001
400 0.5330 nan 0.1804 -0.0002
420 0.5311 nan 0.1804 -0.0002
440 0.5292 nan 0.1804 -0.0001
460 0.5276 nan 0.1804 -0.0001
480 0.5253 nan 0.1804 -0.0001
500 0.5243 nan 0.1804 -0.0002
520 0.5235 nan 0.1804 -0.0001
540 0.5220 nan 0.1804 -0.0001
560 0.5200 nan 0.1804 -0.0001
580 0.5187 nan 0.1804 -0.0001
600 0.5174 nan 0.1804 -0.0001
620 0.5160 nan 0.1804 -0.0001
640 0.5148 nan 0.1804 -0.0002
660 0.5134 nan 0.1804 -0.0002
667 0.5133 nan 0.1804 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9932 nan 0.1837 0.0518
2 0.9198 nan 0.1837 0.0360
3 0.8659 nan 0.1837 0.0260
4 0.8280 nan 0.1837 0.0187
5 0.8015 nan 0.1837 0.0131
6 0.7775 nan 0.1837 0.0110
7 0.7590 nan 0.1837 0.0092
8 0.7427 nan 0.1837 0.0080
9 0.7298 nan 0.1837 0.0065
10 0.7172 nan 0.1837 0.0062
20 0.6501 nan 0.1837 0.0022
40 0.6090 nan 0.1837 0.0007
60 0.5919 nan 0.1837 -0.0000
80 0.5815 nan 0.1837 0.0001
100 0.5735 nan 0.1837 -0.0001
120 0.5682 nan 0.1837 -0.0001
140 0.5619 nan 0.1837 -0.0001
160 0.5567 nan 0.1837 -0.0001
180 0.5529 nan 0.1837 -0.0002
200 0.5502 nan 0.1837 -0.0001
220 0.5466 nan 0.1837 -0.0002
240 0.5440 nan 0.1837 -0.0001
260 0.5414 nan 0.1837 -0.0002
280 0.5391 nan 0.1837 -0.0002
300 0.5370 nan 0.1837 -0.0001
320 0.5349 nan 0.1837 -0.0002
340 0.5329 nan 0.1837 -0.0001
360 0.5312 nan 0.1837 -0.0000
380 0.5299 nan 0.1837 -0.0001
400 0.5282 nan 0.1837 -0.0001
420 0.5263 nan 0.1837 -0.0001
440 0.5244 nan 0.1837 -0.0001
460 0.5228 nan 0.1837 -0.0000
480 0.5211 nan 0.1837 -0.0001
500 0.5199 nan 0.1837 -0.0001
507 0.5191 nan 0.1837 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0082 nan 0.1839 0.0458
2 0.9476 nan 0.1839 0.0307
3 0.9042 nan 0.1839 0.0219
4 0.8625 nan 0.1839 0.0212
5 0.8341 nan 0.1839 0.0142
6 0.8132 nan 0.1839 0.0101
7 0.7924 nan 0.1839 0.0101
8 0.7780 nan 0.1839 0.0070
9 0.7620 nan 0.1839 0.0077
10 0.7515 nan 0.1839 0.0053
20 0.6754 nan 0.1839 0.0017
40 0.6282 nan 0.1839 0.0004
60 0.6100 nan 0.1839 -0.0000
80 0.5982 nan 0.1839 0.0000
100 0.5912 nan 0.1839 0.0001
120 0.5862 nan 0.1839 -0.0000
140 0.5811 nan 0.1839 -0.0001
160 0.5774 nan 0.1839 -0.0001
180 0.5735 nan 0.1839 0.0002
200 0.5712 nan 0.1839 -0.0002
220 0.5684 nan 0.1839 0.0000
240 0.5672 nan 0.1839 -0.0001
260 0.5652 nan 0.1839 -0.0000
280 0.5633 nan 0.1839 -0.0000
300 0.5610 nan 0.1839 -0.0000
320 0.5595 nan 0.1839 0.0000
340 0.5581 nan 0.1839 -0.0001
360 0.5572 nan 0.1839 -0.0001
380 0.5559 nan 0.1839 0.0000
400 0.5551 nan 0.1839 -0.0001
420 0.5541 nan 0.1839 -0.0002
440 0.5527 nan 0.1839 -0.0002
460 0.5514 nan 0.1839 -0.0000
480 0.5493 nan 0.1839 -0.0001
500 0.5479 nan 0.1839 -0.0001
520 0.5471 nan 0.1839 -0.0001
540 0.5460 nan 0.1839 -0.0001
560 0.5450 nan 0.1839 -0.0001
580 0.5443 nan 0.1839 -0.0002
600 0.5434 nan 0.1839 -0.0001
620 0.5419 nan 0.1839 -0.0000
640 0.5411 nan 0.1839 -0.0001
660 0.5403 nan 0.1839 0.0001
680 0.5391 nan 0.1839 -0.0001
700 0.5380 nan 0.1839 -0.0001
706 0.5379 nan 0.1839 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0036 nan 0.1931 0.0487
2 0.9417 nan 0.1931 0.0313
3 0.8905 nan 0.1931 0.0260
4 0.8608 nan 0.1931 0.0148
5 0.8312 nan 0.1931 0.0147
6 0.8090 nan 0.1931 0.0107
7 0.7932 nan 0.1931 0.0070
8 0.7735 nan 0.1931 0.0099
9 0.7574 nan 0.1931 0.0082
10 0.7444 nan 0.1931 0.0062
20 0.6702 nan 0.1931 0.0020
40 0.6240 nan 0.1931 0.0005
60 0.6079 nan 0.1931 0.0000
80 0.5962 nan 0.1931 0.0004
100 0.5887 nan 0.1931 -0.0001
120 0.5837 nan 0.1931 0.0000
140 0.5795 nan 0.1931 -0.0000
160 0.5763 nan 0.1931 -0.0001
180 0.5734 nan 0.1931 0.0000
200 0.5699 nan 0.1931 -0.0001
220 0.5679 nan 0.1931 -0.0000
240 0.5649 nan 0.1931 -0.0000
260 0.5624 nan 0.1931 0.0002
280 0.5598 nan 0.1931 -0.0000
300 0.5567 nan 0.1931 -0.0001
320 0.5554 nan 0.1931 -0.0001
340 0.5539 nan 0.1931 -0.0001
360 0.5520 nan 0.1931 -0.0000
380 0.5503 nan 0.1931 -0.0002
400 0.5489 nan 0.1931 -0.0001
420 0.5482 nan 0.1931 -0.0002
440 0.5472 nan 0.1931 0.0000
460 0.5462 nan 0.1931 -0.0001
480 0.5451 nan 0.1931 -0.0001
500 0.5444 nan 0.1931 -0.0002
520 0.5433 nan 0.1931 -0.0001
540 0.5420 nan 0.1931 -0.0001
560 0.5412 nan 0.1931 -0.0001
580 0.5402 nan 0.1931 -0.0002
600 0.5391 nan 0.1931 -0.0001
620 0.5381 nan 0.1931 -0.0000
637 0.5372 nan 0.1931 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9907 nan 0.1938 0.0568
2 0.9190 nan 0.1938 0.0343
3 0.8663 nan 0.1938 0.0254
4 0.8248 nan 0.1938 0.0205
5 0.7924 nan 0.1938 0.0155
6 0.7682 nan 0.1938 0.0120
7 0.7524 nan 0.1938 0.0079
8 0.7368 nan 0.1938 0.0076
9 0.7248 nan 0.1938 0.0059
10 0.7108 nan 0.1938 0.0068
20 0.6445 nan 0.1938 0.0017
40 0.6052 nan 0.1938 0.0004
60 0.5869 nan 0.1938 0.0002
80 0.5784 nan 0.1938 0.0000
100 0.5731 nan 0.1938 -0.0001
120 0.5651 nan 0.1938 -0.0001
140 0.5594 nan 0.1938 -0.0002
160 0.5559 nan 0.1938 -0.0001
180 0.5514 nan 0.1938 0.0002
200 0.5486 nan 0.1938 -0.0002
220 0.5433 nan 0.1938 -0.0002
240 0.5406 nan 0.1938 -0.0002
260 0.5378 nan 0.1938 -0.0002
280 0.5356 nan 0.1938 -0.0001
300 0.5325 nan 0.1938 -0.0001
320 0.5298 nan 0.1938 -0.0002
340 0.5278 nan 0.1938 -0.0001
360 0.5258 nan 0.1938 -0.0001
380 0.5239 nan 0.1938 0.0000
400 0.5217 nan 0.1938 -0.0001
420 0.5196 nan 0.1938 -0.0002
440 0.5181 nan 0.1938 -0.0002
460 0.5164 nan 0.1938 -0.0001
480 0.5147 nan 0.1938 -0.0002
500 0.5127 nan 0.1938 -0.0001
520 0.5111 nan 0.1938 -0.0002
523 0.5107 nan 0.1938 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0303 nan 0.1946 0.0350
2 0.9836 nan 0.1946 0.0224
3 0.9456 nan 0.1946 0.0181
4 0.9149 nan 0.1946 0.0158
5 0.8873 nan 0.1946 0.0137
6 0.8684 nan 0.1946 0.0095
7 0.8501 nan 0.1946 0.0090
8 0.8322 nan 0.1946 0.0090
9 0.8207 nan 0.1946 0.0057
10 0.8096 nan 0.1946 0.0054
20 0.7286 nan 0.1946 0.0032
40 0.6633 nan 0.1946 0.0005
60 0.6387 nan 0.1946 0.0003
80 0.6235 nan 0.1946 0.0002
100 0.6158 nan 0.1946 0.0001
120 0.6093 nan 0.1946 -0.0001
140 0.6052 nan 0.1946 0.0000
160 0.6007 nan 0.1946 0.0001
180 0.5983 nan 0.1946 -0.0001
200 0.5955 nan 0.1946 -0.0001
220 0.5930 nan 0.1946 -0.0001
240 0.5911 nan 0.1946 -0.0000
260 0.5897 nan 0.1946 -0.0000
280 0.5885 nan 0.1946 -0.0001
300 0.5874 nan 0.1946 -0.0001
320 0.5862 nan 0.1946 -0.0001
340 0.5847 nan 0.1946 -0.0001
360 0.5840 nan 0.1946 -0.0001
380 0.5833 nan 0.1946 -0.0001
400 0.5829 nan 0.1946 -0.0000
420 0.5818 nan 0.1946 -0.0000
440 0.5814 nan 0.1946 -0.0002
460 0.5809 nan 0.1946 -0.0000
480 0.5802 nan 0.1946 -0.0001
500 0.5797 nan 0.1946 -0.0001
520 0.5794 nan 0.1946 -0.0001
540 0.5788 nan 0.1946 -0.0000
560 0.5784 nan 0.1946 -0.0001
580 0.5779 nan 0.1946 -0.0001
600 0.5774 nan 0.1946 -0.0001
603 0.5773 nan 0.1946 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0006 nan 0.1956 0.0493
2 0.9369 nan 0.1956 0.0302
3 0.8940 nan 0.1956 0.0214
4 0.8525 nan 0.1956 0.0214
5 0.8236 nan 0.1956 0.0146
6 0.8058 nan 0.1956 0.0083
7 0.7879 nan 0.1956 0.0089
8 0.7703 nan 0.1956 0.0089
9 0.7529 nan 0.1956 0.0085
10 0.7417 nan 0.1956 0.0056
20 0.6678 nan 0.1956 0.0017
40 0.6259 nan 0.1956 0.0003
60 0.6073 nan 0.1956 0.0000
80 0.5964 nan 0.1956 0.0000
100 0.5885 nan 0.1956 -0.0000
120 0.5833 nan 0.1956 -0.0001
140 0.5758 nan 0.1956 -0.0001
160 0.5712 nan 0.1956 -0.0000
180 0.5682 nan 0.1956 -0.0001
200 0.5641 nan 0.1956 -0.0000
220 0.5625 nan 0.1956 -0.0001
240 0.5596 nan 0.1956 -0.0000
260 0.5582 nan 0.1956 -0.0002
280 0.5559 nan 0.1956 -0.0001
300 0.5545 nan 0.1956 -0.0001
310 0.5530 nan 0.1956 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0009 nan 0.1958 0.0490
2 0.9256 nan 0.1958 0.0372
3 0.8812 nan 0.1958 0.0217
4 0.8433 nan 0.1958 0.0191
5 0.8189 nan 0.1958 0.0123
6 0.7987 nan 0.1958 0.0101
7 0.7802 nan 0.1958 0.0090
8 0.7639 nan 0.1958 0.0079
9 0.7512 nan 0.1958 0.0060
10 0.7383 nan 0.1958 0.0062
20 0.6680 nan 0.1958 0.0016
40 0.6263 nan 0.1958 0.0001
60 0.6098 nan 0.1958 -0.0001
80 0.5994 nan 0.1958 0.0003
100 0.5924 nan 0.1958 -0.0001
120 0.5864 nan 0.1958 0.0003
140 0.5822 nan 0.1958 -0.0001
160 0.5780 nan 0.1958 -0.0001
180 0.5740 nan 0.1958 -0.0001
200 0.5711 nan 0.1958 -0.0001
220 0.5692 nan 0.1958 -0.0000
240 0.5675 nan 0.1958 -0.0001
260 0.5650 nan 0.1958 -0.0001
280 0.5634 nan 0.1958 -0.0001
300 0.5621 nan 0.1958 -0.0000
320 0.5596 nan 0.1958 -0.0001
340 0.5578 nan 0.1958 -0.0001
360 0.5559 nan 0.1958 -0.0001
380 0.5538 nan 0.1958 -0.0001
400 0.5523 nan 0.1958 -0.0002
420 0.5504 nan 0.1958 -0.0001
440 0.5495 nan 0.1958 -0.0001
460 0.5483 nan 0.1958 -0.0001
467 0.5480 nan 0.1958 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0017 nan 0.1968 0.0505
2 0.9378 nan 0.1968 0.0308
3 0.8861 nan 0.1968 0.0248
4 0.8562 nan 0.1968 0.0146
5 0.8277 nan 0.1968 0.0144
6 0.8059 nan 0.1968 0.0106
7 0.7844 nan 0.1968 0.0107
8 0.7663 nan 0.1968 0.0090
9 0.7535 nan 0.1968 0.0062
10 0.7424 nan 0.1968 0.0052
20 0.6668 nan 0.1968 0.0030
40 0.6236 nan 0.1968 0.0004
60 0.6066 nan 0.1968 0.0001
80 0.5955 nan 0.1968 -0.0001
100 0.5879 nan 0.1968 -0.0000
120 0.5823 nan 0.1968 -0.0001
140 0.5777 nan 0.1968 -0.0001
160 0.5739 nan 0.1968 -0.0001
180 0.5701 nan 0.1968 -0.0001
200 0.5675 nan 0.1968 -0.0001
220 0.5642 nan 0.1968 -0.0000
240 0.5616 nan 0.1968 -0.0001
260 0.5593 nan 0.1968 -0.0001
277 0.5574 nan 0.1968 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0017 nan 0.1973 0.0488
2 0.9390 nan 0.1973 0.0313
3 0.8869 nan 0.1973 0.0259
4 0.8513 nan 0.1973 0.0177
5 0.8248 nan 0.1973 0.0131
6 0.8052 nan 0.1973 0.0096
7 0.7834 nan 0.1973 0.0108
8 0.7694 nan 0.1973 0.0067
9 0.7541 nan 0.1973 0.0070
10 0.7443 nan 0.1973 0.0047
20 0.6687 nan 0.1973 0.0028
40 0.6256 nan 0.1973 0.0005
60 0.6089 nan 0.1973 0.0004
80 0.5983 nan 0.1973 -0.0001
100 0.5904 nan 0.1973 -0.0001
120 0.5853 nan 0.1973 -0.0001
140 0.5798 nan 0.1973 -0.0001
160 0.5768 nan 0.1973 -0.0001
180 0.5747 nan 0.1973 -0.0001
200 0.5714 nan 0.1973 -0.0001
220 0.5684 nan 0.1973 -0.0000
240 0.5655 nan 0.1973 0.0000
260 0.5639 nan 0.1973 -0.0001
280 0.5612 nan 0.1973 -0.0001
300 0.5593 nan 0.1973 -0.0002
320 0.5579 nan 0.1973 -0.0001
340 0.5558 nan 0.1973 -0.0001
360 0.5542 nan 0.1973 -0.0002
380 0.5521 nan 0.1973 -0.0000
400 0.5511 nan 0.1973 -0.0001
420 0.5503 nan 0.1973 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9862 nan 0.1983 0.0566
2 0.9134 nan 0.1983 0.0378
3 0.8632 nan 0.1983 0.0252
4 0.8212 nan 0.1983 0.0213
5 0.7910 nan 0.1983 0.0147
6 0.7714 nan 0.1983 0.0094
7 0.7560 nan 0.1983 0.0077
8 0.7389 nan 0.1983 0.0086
9 0.7257 nan 0.1983 0.0061
10 0.7134 nan 0.1983 0.0059
20 0.6449 nan 0.1983 0.0017
40 0.6077 nan 0.1983 0.0001
60 0.5916 nan 0.1983 0.0001
80 0.5818 nan 0.1983 -0.0001
100 0.5744 nan 0.1983 -0.0001
120 0.5665 nan 0.1983 -0.0000
140 0.5617 nan 0.1983 -0.0000
160 0.5584 nan 0.1983 -0.0001
180 0.5546 nan 0.1983 -0.0000
200 0.5518 nan 0.1983 -0.0001
220 0.5492 nan 0.1983 -0.0000
240 0.5465 nan 0.1983 -0.0002
260 0.5440 nan 0.1983 -0.0002
280 0.5423 nan 0.1983 -0.0002
300 0.5407 nan 0.1983 0.0000
320 0.5388 nan 0.1983 -0.0001
340 0.5374 nan 0.1983 -0.0002
360 0.5353 nan 0.1983 -0.0001
380 0.5337 nan 0.1983 -0.0001
400 0.5319 nan 0.1983 -0.0002
420 0.5301 nan 0.1983 -0.0001
440 0.5282 nan 0.1983 -0.0002
460 0.5262 nan 0.1983 -0.0001
480 0.5249 nan 0.1983 -0.0002
500 0.5235 nan 0.1983 -0.0001
520 0.5223 nan 0.1983 -0.0001
540 0.5208 nan 0.1983 -0.0002
560 0.5196 nan 0.1983 0.0000
580 0.5182 nan 0.1983 -0.0002
594 0.5176 nan 0.1983 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9850 nan 0.1999 0.0579
2 0.9096 nan 0.1999 0.0381
3 0.8617 nan 0.1999 0.0236
4 0.8205 nan 0.1999 0.0202
5 0.7950 nan 0.1999 0.0123
6 0.7730 nan 0.1999 0.0110
7 0.7508 nan 0.1999 0.0109
8 0.7367 nan 0.1999 0.0067
9 0.7251 nan 0.1999 0.0058
10 0.7139 nan 0.1999 0.0053
20 0.6456 nan 0.1999 0.0018
40 0.6071 nan 0.1999 0.0002
60 0.5909 nan 0.1999 0.0000
80 0.5777 nan 0.1999 0.0001
100 0.5708 nan 0.1999 -0.0000
120 0.5654 nan 0.1999 -0.0001
140 0.5603 nan 0.1999 -0.0001
160 0.5562 nan 0.1999 -0.0001
180 0.5522 nan 0.1999 -0.0001
196 0.5493 nan 0.1999 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0917 nan 0.0116 0.0044
2 1.0832 nan 0.0116 0.0043
3 1.0751 nan 0.0116 0.0041
4 1.0672 nan 0.0116 0.0039
5 1.0596 nan 0.0116 0.0038
6 1.0521 nan 0.0116 0.0037
7 1.0449 nan 0.0116 0.0036
8 1.0380 nan 0.0116 0.0035
9 1.0312 nan 0.0116 0.0034
10 1.0246 nan 0.0116 0.0033
20 0.9670 nan 0.0116 0.0026
40 0.8845 nan 0.0116 0.0017
60 0.8285 nan 0.0116 0.0012
80 0.7879 nan 0.0116 0.0009
100 0.7563 nan 0.0116 0.0008
120 0.7310 nan 0.0116 0.0007
140 0.7114 nan 0.0116 0.0004
160 0.6945 nan 0.0116 0.0003
180 0.6807 nan 0.0116 0.0003
200 0.6693 nan 0.0116 0.0003
220 0.6599 nan 0.0116 0.0002
240 0.6515 nan 0.0116 0.0002
260 0.6441 nan 0.0116 0.0002
280 0.6376 nan 0.0116 0.0001
300 0.6322 nan 0.0116 0.0001
320 0.6274 nan 0.0116 0.0001
340 0.6227 nan 0.0116 0.0001
360 0.6188 nan 0.0116 0.0000
380 0.6148 nan 0.0116 0.0001
400 0.6114 nan 0.0116 0.0000
420 0.6083 nan 0.0116 0.0001
440 0.6053 nan 0.0116 0.0000
460 0.6028 nan 0.0116 0.0001
480 0.6004 nan 0.0116 0.0001
500 0.5981 nan 0.0116 0.0000
520 0.5962 nan 0.0116 0.0000
540 0.5940 nan 0.0116 0.0000
560 0.5920 nan 0.0116 0.0000
580 0.5902 nan 0.0116 -0.0000
600 0.5885 nan 0.0116 0.0000
620 0.5870 nan 0.0116 0.0000
628 0.5864 nan 0.0116 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0921 nan 0.0118 0.0042
2 1.0841 nan 0.0118 0.0041
3 1.0762 nan 0.0118 0.0039
4 1.0686 nan 0.0118 0.0037
5 1.0612 nan 0.0118 0.0037
6 1.0540 nan 0.0118 0.0036
7 1.0469 nan 0.0118 0.0036
8 1.0401 nan 0.0118 0.0033
9 1.0335 nan 0.0118 0.0033
10 1.0272 nan 0.0118 0.0032
20 0.9710 nan 0.0118 0.0025
40 0.8912 nan 0.0118 0.0016
60 0.8372 nan 0.0118 0.0011
80 0.7970 nan 0.0118 0.0009
100 0.7650 nan 0.0118 0.0007
120 0.7397 nan 0.0118 0.0004
140 0.7198 nan 0.0118 0.0004
160 0.7038 nan 0.0118 0.0003
180 0.6905 nan 0.0118 0.0003
200 0.6796 nan 0.0118 0.0002
220 0.6700 nan 0.0118 0.0002
240 0.6613 nan 0.0118 0.0001
260 0.6542 nan 0.0118 0.0002
280 0.6481 nan 0.0118 0.0002
300 0.6422 nan 0.0118 0.0001
320 0.6374 nan 0.0118 0.0001
340 0.6330 nan 0.0118 0.0001
360 0.6294 nan 0.0118 0.0001
366 0.6282 nan 0.0118 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0909 nan 0.0134 0.0048
2 1.0818 nan 0.0134 0.0045
3 1.0729 nan 0.0134 0.0045
4 1.0642 nan 0.0134 0.0043
5 1.0558 nan 0.0134 0.0042
6 1.0478 nan 0.0134 0.0041
7 1.0402 nan 0.0134 0.0039
8 1.0326 nan 0.0134 0.0037
9 1.0253 nan 0.0134 0.0037
10 1.0184 nan 0.0134 0.0035
20 0.9574 nan 0.0134 0.0026
40 0.8736 nan 0.0134 0.0016
60 0.8189 nan 0.0134 0.0011
80 0.7780 nan 0.0134 0.0007
100 0.7479 nan 0.0134 0.0006
120 0.7239 nan 0.0134 0.0005
140 0.7044 nan 0.0134 0.0003
160 0.6890 nan 0.0134 0.0004
180 0.6764 nan 0.0134 0.0002
200 0.6666 nan 0.0134 0.0002
220 0.6572 nan 0.0134 0.0002
240 0.6493 nan 0.0134 0.0002
260 0.6428 nan 0.0134 0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0885 nan 0.0164 0.0059
2 1.0773 nan 0.0164 0.0056
3 1.0667 nan 0.0164 0.0053
4 1.0566 nan 0.0164 0.0050
5 1.0467 nan 0.0164 0.0049
6 1.0373 nan 0.0164 0.0046
7 1.0282 nan 0.0164 0.0046
8 1.0193 nan 0.0164 0.0043
9 1.0108 nan 0.0164 0.0042
10 1.0025 nan 0.0164 0.0042
20 0.9346 nan 0.0164 0.0030
40 0.8467 nan 0.0164 0.0017
60 0.7901 nan 0.0164 0.0014
80 0.7504 nan 0.0164 0.0008
100 0.7218 nan 0.0164 0.0005
120 0.7000 nan 0.0164 0.0004
140 0.6824 nan 0.0164 0.0004
160 0.6690 nan 0.0164 0.0003
180 0.6577 nan 0.0164 0.0003
200 0.6483 nan 0.0164 0.0001
220 0.6409 nan 0.0164 0.0001
240 0.6342 nan 0.0164 0.0002
260 0.6282 nan 0.0164 0.0001
280 0.6231 nan 0.0164 0.0001
300 0.6180 nan 0.0164 0.0001
320 0.6143 nan 0.0164 0.0001
340 0.6107 nan 0.0164 0.0001
360 0.6077 nan 0.0164 0.0000
380 0.6046 nan 0.0164 0.0000
400 0.6019 nan 0.0164 0.0000
420 0.5992 nan 0.0164 0.0000
440 0.5971 nan 0.0164 0.0000
460 0.5948 nan 0.0164 0.0000
480 0.5927 nan 0.0164 -0.0000
500 0.5910 nan 0.0164 0.0000
520 0.5892 nan 0.0164 0.0000
540 0.5874 nan 0.0164 0.0000
560 0.5860 nan 0.0164 0.0000
580 0.5847 nan 0.0164 0.0000
600 0.5833 nan 0.0164 -0.0000
620 0.5816 nan 0.0164 -0.0000
640 0.5805 nan 0.0164 0.0000
660 0.5793 nan 0.0164 -0.0000
680 0.5779 nan 0.0164 0.0000
700 0.5771 nan 0.0164 -0.0000
720 0.5759 nan 0.0164 0.0000
740 0.5750 nan 0.0164 -0.0000
760 0.5740 nan 0.0164 -0.0000
780 0.5729 nan 0.0164 0.0000
800 0.5718 nan 0.0164 -0.0000
820 0.5708 nan 0.0164 0.0000
840 0.5701 nan 0.0164 -0.0000
860 0.5692 nan 0.0164 0.0000
880 0.5684 nan 0.0164 0.0000
900 0.5675 nan 0.0164 0.0000
920 0.5668 nan 0.0164 -0.0000
940 0.5661 nan 0.0164 -0.0000
960 0.5654 nan 0.0164 0.0000
980 0.5647 nan 0.0164 0.0000
985 0.5646 nan 0.0164 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0898 nan 0.0166 0.0053
2 1.0795 nan 0.0166 0.0051
3 1.0697 nan 0.0166 0.0050
4 1.0604 nan 0.0166 0.0046
5 1.0512 nan 0.0166 0.0045
6 1.0423 nan 0.0166 0.0045
7 1.0339 nan 0.0166 0.0042
8 1.0258 nan 0.0166 0.0041
9 1.0177 nan 0.0166 0.0040
10 1.0101 nan 0.0166 0.0038
20 0.9450 nan 0.0166 0.0028
40 0.8562 nan 0.0166 0.0018
60 0.8004 nan 0.0166 0.0012
80 0.7640 nan 0.0166 0.0009
100 0.7361 nan 0.0166 0.0005
120 0.7147 nan 0.0166 0.0004
136 0.7004 nan 0.0166 0.0005
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0873 nan 0.0205 0.0065
2 1.0746 nan 0.0205 0.0061
3 1.0627 nan 0.0205 0.0059
4 1.0514 nan 0.0205 0.0057
5 1.0406 nan 0.0205 0.0053
6 1.0301 nan 0.0205 0.0052
7 1.0200 nan 0.0205 0.0051
8 1.0104 nan 0.0205 0.0048
9 1.0013 nan 0.0205 0.0045
10 0.9924 nan 0.0205 0.0044
20 0.9203 nan 0.0205 0.0031
40 0.8264 nan 0.0205 0.0016
60 0.7733 nan 0.0205 0.0012
80 0.7384 nan 0.0205 0.0009
100 0.7114 nan 0.0205 0.0007
120 0.6907 nan 0.0205 0.0004
140 0.6752 nan 0.0205 0.0003
160 0.6626 nan 0.0205 0.0003
180 0.6522 nan 0.0205 0.0002
200 0.6443 nan 0.0205 0.0002
220 0.6375 nan 0.0205 0.0002
240 0.6318 nan 0.0205 0.0001
260 0.6267 nan 0.0205 0.0001
280 0.6227 nan 0.0205 0.0001
300 0.6192 nan 0.0205 0.0001
320 0.6160 nan 0.0205 0.0001
340 0.6130 nan 0.0205 0.0000
360 0.6104 nan 0.0205 0.0000
380 0.6078 nan 0.0205 0.0000
400 0.6054 nan 0.0205 -0.0000
420 0.6033 nan 0.0205 0.0000
440 0.6010 nan 0.0205 0.0000
460 0.5992 nan 0.0205 0.0000
480 0.5975 nan 0.0205 0.0000
500 0.5959 nan 0.0205 0.0000
520 0.5943 nan 0.0205 0.0000
540 0.5928 nan 0.0205 0.0000
560 0.5916 nan 0.0205 -0.0000
580 0.5903 nan 0.0205 0.0000
600 0.5891 nan 0.0205 -0.0000
620 0.5878 nan 0.0205 -0.0000
640 0.5865 nan 0.0205 -0.0000
660 0.5855 nan 0.0205 -0.0000
680 0.5845 nan 0.0205 -0.0000
700 0.5834 nan 0.0205 -0.0000
720 0.5825 nan 0.0205 0.0000
740 0.5816 nan 0.0205 0.0000
760 0.5806 nan 0.0205 0.0000
780 0.5797 nan 0.0205 -0.0000
800 0.5790 nan 0.0205 -0.0000
820 0.5781 nan 0.0205 0.0000
840 0.5772 nan 0.0205 -0.0000
860 0.5765 nan 0.0205 0.0000
880 0.5758 nan 0.0205 -0.0000
900 0.5752 nan 0.0205 -0.0000
920 0.5746 nan 0.0205 -0.0000
940 0.5739 nan 0.0205 -0.0000
950 0.5735 nan 0.0205 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0797 nan 0.0280 0.0105
2 1.0608 nan 0.0280 0.0096
3 1.0428 nan 0.0280 0.0090
4 1.0261 nan 0.0280 0.0081
5 1.0107 nan 0.0280 0.0077
6 0.9961 nan 0.0280 0.0072
7 0.9827 nan 0.0280 0.0068
8 0.9701 nan 0.0280 0.0063
9 0.9574 nan 0.0280 0.0062
10 0.9459 nan 0.0280 0.0057
20 0.8574 nan 0.0280 0.0035
40 0.7601 nan 0.0280 0.0019
60 0.7066 nan 0.0280 0.0009
80 0.6725 nan 0.0280 0.0006
100 0.6506 nan 0.0280 0.0005
120 0.6346 nan 0.0280 0.0003
140 0.6225 nan 0.0280 0.0002
160 0.6133 nan 0.0280 0.0001
180 0.6057 nan 0.0280 0.0001
200 0.5993 nan 0.0280 0.0001
220 0.5940 nan 0.0280 0.0000
240 0.5893 nan 0.0280 0.0000
260 0.5855 nan 0.0280 0.0002
280 0.5818 nan 0.0280 -0.0000
300 0.5788 nan 0.0280 0.0000
320 0.5758 nan 0.0280 0.0001
340 0.5733 nan 0.0280 0.0000
360 0.5710 nan 0.0280 -0.0000
380 0.5683 nan 0.0280 0.0001
400 0.5665 nan 0.0280 0.0000
420 0.5644 nan 0.0280 0.0000
440 0.5627 nan 0.0280 -0.0000
460 0.5609 nan 0.0280 -0.0000
480 0.5592 nan 0.0280 -0.0000
500 0.5578 nan 0.0280 -0.0000
520 0.5563 nan 0.0280 -0.0000
540 0.5546 nan 0.0280 -0.0000
560 0.5527 nan 0.0280 -0.0000
580 0.5512 nan 0.0280 -0.0000
600 0.5498 nan 0.0280 -0.0000
620 0.5482 nan 0.0280 -0.0000
640 0.5470 nan 0.0280 -0.0000
660 0.5458 nan 0.0280 -0.0000
680 0.5444 nan 0.0280 0.0001
700 0.5433 nan 0.0280 -0.0000
720 0.5420 nan 0.0280 0.0000
740 0.5410 nan 0.0280 -0.0000
760 0.5397 nan 0.0280 -0.0000
780 0.5386 nan 0.0280 -0.0000
800 0.5372 nan 0.0280 -0.0000
820 0.5359 nan 0.0280 -0.0000
840 0.5349 nan 0.0280 -0.0000
860 0.5340 nan 0.0280 -0.0000
880 0.5330 nan 0.0280 -0.0000
900 0.5320 nan 0.0280 -0.0000
918 0.5311 nan 0.0280 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0884 nan 0.0292 0.0059
2 1.0771 nan 0.0292 0.0055
3 1.0669 nan 0.0292 0.0052
4 1.0570 nan 0.0292 0.0049
5 1.0477 nan 0.0292 0.0046
6 1.0389 nan 0.0292 0.0044
7 1.0305 nan 0.0292 0.0041
8 1.0225 nan 0.0292 0.0039
9 1.0151 nan 0.0292 0.0037
10 1.0078 nan 0.0292 0.0035
20 0.9518 nan 0.0292 0.0021
40 0.8741 nan 0.0292 0.0017
60 0.8256 nan 0.0292 0.0009
80 0.7913 nan 0.0292 0.0006
100 0.7656 nan 0.0292 0.0005
120 0.7448 nan 0.0292 0.0005
140 0.7278 nan 0.0292 0.0003
160 0.7142 nan 0.0292 0.0003
180 0.7015 nan 0.0292 0.0003
200 0.6922 nan 0.0292 0.0001
220 0.6828 nan 0.0292 0.0002
240 0.6749 nan 0.0292 0.0001
260 0.6680 nan 0.0292 0.0002
280 0.6622 nan 0.0292 0.0001
300 0.6572 nan 0.0292 0.0001
320 0.6524 nan 0.0292 0.0001
340 0.6487 nan 0.0292 0.0000
360 0.6453 nan 0.0292 0.0001
380 0.6425 nan 0.0292 0.0000
400 0.6396 nan 0.0292 0.0001
420 0.6371 nan 0.0292 0.0001
440 0.6343 nan 0.0292 0.0001
460 0.6321 nan 0.0292 0.0000
480 0.6301 nan 0.0292 0.0000
500 0.6284 nan 0.0292 0.0000
520 0.6265 nan 0.0292 0.0000
540 0.6249 nan 0.0292 0.0000
560 0.6234 nan 0.0292 0.0000
580 0.6222 nan 0.0292 0.0000
600 0.6208 nan 0.0292 0.0000
620 0.6195 nan 0.0292 0.0000
640 0.6182 nan 0.0292 0.0000
660 0.6169 nan 0.0292 0.0000
676 0.6160 nan 0.0292 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0789 nan 0.0297 0.0104
2 1.0595 nan 0.0297 0.0098
3 1.0419 nan 0.0297 0.0088
4 1.0252 nan 0.0297 0.0084
5 1.0096 nan 0.0297 0.0077
6 0.9950 nan 0.0297 0.0072
7 0.9811 nan 0.0297 0.0070
8 0.9684 nan 0.0297 0.0063
9 0.9558 nan 0.0297 0.0064
10 0.9440 nan 0.0297 0.0060
20 0.8584 nan 0.0297 0.0033
40 0.7622 nan 0.0297 0.0018
60 0.7098 nan 0.0297 0.0010
80 0.6772 nan 0.0297 0.0004
100 0.6557 nan 0.0297 0.0004
120 0.6406 nan 0.0297 0.0004
140 0.6289 nan 0.0297 0.0002
160 0.6198 nan 0.0297 0.0002
180 0.6125 nan 0.0297 0.0001
200 0.6069 nan 0.0297 0.0002
220 0.6012 nan 0.0297 0.0001
240 0.5967 nan 0.0297 0.0002
260 0.5930 nan 0.0297 0.0001
280 0.5889 nan 0.0297 0.0001
300 0.5860 nan 0.0297 0.0000
320 0.5830 nan 0.0297 0.0002
340 0.5802 nan 0.0297 0.0000
360 0.5780 nan 0.0297 0.0000
380 0.5759 nan 0.0297 0.0000
400 0.5740 nan 0.0297 -0.0000
401 0.5739 nan 0.0297 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0836 nan 0.0300 0.0083
2 1.0685 nan 0.0300 0.0076
3 1.0542 nan 0.0300 0.0071
4 1.0407 nan 0.0300 0.0066
5 1.0277 nan 0.0300 0.0065
6 1.0158 nan 0.0300 0.0060
7 1.0047 nan 0.0300 0.0056
8 0.9941 nan 0.0300 0.0051
9 0.9841 nan 0.0300 0.0050
10 0.9744 nan 0.0300 0.0048
20 0.8894 nan 0.0300 0.0030
40 0.8050 nan 0.0300 0.0013
60 0.7553 nan 0.0300 0.0012
80 0.7227 nan 0.0300 0.0006
100 0.6981 nan 0.0300 0.0005
120 0.6803 nan 0.0300 0.0003
140 0.6658 nan 0.0300 0.0003
160 0.6550 nan 0.0300 0.0002
180 0.6471 nan 0.0300 0.0002
200 0.6401 nan 0.0300 0.0001
220 0.6347 nan 0.0300 0.0001
240 0.6295 nan 0.0300 0.0000
260 0.6256 nan 0.0300 0.0001
280 0.6219 nan 0.0300 0.0000
300 0.6191 nan 0.0300 0.0000
320 0.6161 nan 0.0300 0.0000
340 0.6133 nan 0.0300 0.0000
360 0.6111 nan 0.0300 0.0000
380 0.6089 nan 0.0300 0.0000
400 0.6068 nan 0.0300 0.0001
420 0.6049 nan 0.0300 0.0000
440 0.6029 nan 0.0300 -0.0000
460 0.6014 nan 0.0300 -0.0000
480 0.5996 nan 0.0300 0.0000
500 0.5984 nan 0.0300 0.0001
520 0.5967 nan 0.0300 0.0000
540 0.5954 nan 0.0300 0.0000
560 0.5941 nan 0.0300 -0.0000
580 0.5929 nan 0.0300 0.0000
600 0.5918 nan 0.0300 -0.0000
620 0.5907 nan 0.0300 0.0000
640 0.5895 nan 0.0300 -0.0000
660 0.5885 nan 0.0300 -0.0000
680 0.5877 nan 0.0300 -0.0000
700 0.5868 nan 0.0300 0.0000
720 0.5858 nan 0.0300 0.0000
740 0.5849 nan 0.0300 0.0000
760 0.5843 nan 0.0300 -0.0000
780 0.5835 nan 0.0300 -0.0000
800 0.5829 nan 0.0300 -0.0000
820 0.5822 nan 0.0300 -0.0000
840 0.5815 nan 0.0300 0.0000
860 0.5808 nan 0.0300 0.0000
880 0.5802 nan 0.0300 0.0000
900 0.5796 nan 0.0300 -0.0000
920 0.5789 nan 0.0300 0.0000
940 0.5782 nan 0.0300 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0795 nan 0.0324 0.0103
2 1.0608 nan 0.0324 0.0094
3 1.0431 nan 0.0324 0.0086
4 1.0264 nan 0.0324 0.0082
5 1.0105 nan 0.0324 0.0078
6 0.9964 nan 0.0324 0.0069
7 0.9832 nan 0.0324 0.0068
8 0.9705 nan 0.0324 0.0064
9 0.9588 nan 0.0324 0.0059
10 0.9479 nan 0.0324 0.0054
20 0.8586 nan 0.0324 0.0037
40 0.7677 nan 0.0324 0.0019
60 0.7178 nan 0.0324 0.0010
80 0.6856 nan 0.0324 0.0006
100 0.6629 nan 0.0324 0.0005
120 0.6477 nan 0.0324 0.0003
140 0.6368 nan 0.0324 0.0002
160 0.6286 nan 0.0324 0.0002
180 0.6214 nan 0.0324 0.0001
195 0.6169 nan 0.0324 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0798 nan 0.0327 0.0105
2 1.0612 nan 0.0327 0.0094
3 1.0427 nan 0.0327 0.0093
4 1.0262 nan 0.0327 0.0082
5 1.0104 nan 0.0327 0.0079
6 0.9958 nan 0.0327 0.0073
7 0.9823 nan 0.0327 0.0067
8 0.9689 nan 0.0327 0.0064
9 0.9565 nan 0.0327 0.0061
10 0.9454 nan 0.0327 0.0056
20 0.8560 nan 0.0327 0.0037
40 0.7646 nan 0.0327 0.0013
60 0.7164 nan 0.0327 0.0010
80 0.6841 nan 0.0327 0.0007
100 0.6629 nan 0.0327 0.0004
120 0.6483 nan 0.0327 0.0004
140 0.6372 nan 0.0327 0.0003
160 0.6286 nan 0.0327 0.0003
180 0.6216 nan 0.0327 0.0001
200 0.6166 nan 0.0327 0.0001
220 0.6120 nan 0.0327 0.0001
240 0.6082 nan 0.0327 0.0000
260 0.6049 nan 0.0327 0.0001
280 0.6018 nan 0.0327 0.0000
300 0.5991 nan 0.0327 0.0000
320 0.5960 nan 0.0327 0.0001
340 0.5939 nan 0.0327 -0.0000
360 0.5919 nan 0.0327 0.0000
380 0.5895 nan 0.0327 0.0000
400 0.5875 nan 0.0327 -0.0000
420 0.5856 nan 0.0327 -0.0000
439 0.5841 nan 0.0327 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0860 nan 0.0359 0.0072
2 1.0726 nan 0.0359 0.0067
3 1.0605 nan 0.0359 0.0062
4 1.0489 nan 0.0359 0.0058
5 1.0383 nan 0.0359 0.0054
6 1.0282 nan 0.0359 0.0050
7 1.0194 nan 0.0359 0.0044
8 1.0100 nan 0.0359 0.0046
9 1.0023 nan 0.0359 0.0039
10 0.9937 nan 0.0359 0.0043
20 0.9299 nan 0.0359 0.0029
40 0.8496 nan 0.0359 0.0015
60 0.8010 nan 0.0359 0.0007
80 0.7676 nan 0.0359 0.0006
100 0.7418 nan 0.0359 0.0005
120 0.7226 nan 0.0359 0.0004
140 0.7072 nan 0.0359 0.0002
160 0.6926 nan 0.0359 0.0002
180 0.6820 nan 0.0359 0.0002
200 0.6731 nan 0.0359 0.0001
220 0.6650 nan 0.0359 0.0002
240 0.6577 nan 0.0359 0.0001
260 0.6527 nan 0.0359 0.0001
280 0.6483 nan 0.0359 0.0000
300 0.6437 nan 0.0359 0.0001
320 0.6403 nan 0.0359 0.0001
340 0.6372 nan 0.0359 0.0001
360 0.6338 nan 0.0359 0.0000
380 0.6315 nan 0.0359 0.0001
400 0.6292 nan 0.0359 0.0000
420 0.6269 nan 0.0359 0.0000
440 0.6246 nan 0.0359 -0.0000
460 0.6229 nan 0.0359 0.0001
480 0.6211 nan 0.0359 0.0000
500 0.6194 nan 0.0359 0.0000
520 0.6177 nan 0.0359 0.0000
540 0.6164 nan 0.0359 0.0000
560 0.6150 nan 0.0359 -0.0000
580 0.6136 nan 0.0359 0.0001
600 0.6121 nan 0.0359 0.0001
620 0.6110 nan 0.0359 0.0000
640 0.6099 nan 0.0359 -0.0000
660 0.6088 nan 0.0359 0.0000
680 0.6079 nan 0.0359 0.0000
700 0.6070 nan 0.0359 0.0000
720 0.6061 nan 0.0359 0.0000
740 0.6053 nan 0.0359 -0.0000
760 0.6042 nan 0.0359 -0.0000
780 0.6033 nan 0.0359 0.0000
800 0.6024 nan 0.0359 0.0000
820 0.6017 nan 0.0359 -0.0000
840 0.6009 nan 0.0359 -0.0000
855 0.6003 nan 0.0359 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0737 nan 0.0373 0.0130
2 1.0500 nan 0.0373 0.0119
3 1.0288 nan 0.0373 0.0107
4 1.0094 nan 0.0373 0.0098
5 0.9914 nan 0.0373 0.0090
6 0.9748 nan 0.0373 0.0086
7 0.9594 nan 0.0373 0.0076
8 0.9448 nan 0.0373 0.0071
9 0.9314 nan 0.0373 0.0068
10 0.9186 nan 0.0373 0.0065
20 0.8282 nan 0.0373 0.0033
40 0.7322 nan 0.0373 0.0018
60 0.6840 nan 0.0373 0.0008
80 0.6565 nan 0.0373 0.0005
100 0.6378 nan 0.0373 0.0002
120 0.6250 nan 0.0373 0.0001
140 0.6158 nan 0.0373 0.0001
160 0.6087 nan 0.0373 0.0002
180 0.6033 nan 0.0373 0.0001
200 0.5990 nan 0.0373 0.0000
220 0.5946 nan 0.0373 0.0000
240 0.5912 nan 0.0373 0.0000
260 0.5885 nan 0.0373 0.0001
280 0.5859 nan 0.0373 0.0000
300 0.5834 nan 0.0373 -0.0000
320 0.5814 nan 0.0373 -0.0000
340 0.5793 nan 0.0373 0.0000
360 0.5775 nan 0.0373 0.0000
380 0.5757 nan 0.0373 -0.0000
400 0.5742 nan 0.0373 -0.0000
420 0.5727 nan 0.0373 -0.0000
440 0.5714 nan 0.0373 -0.0000
460 0.5699 nan 0.0373 -0.0000
480 0.5685 nan 0.0373 -0.0000
500 0.5674 nan 0.0373 -0.0000
520 0.5660 nan 0.0373 -0.0000
527 0.5656 nan 0.0373 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0735 nan 0.0379 0.0132
2 1.0496 nan 0.0379 0.0120
3 1.0277 nan 0.0379 0.0109
4 1.0076 nan 0.0379 0.0096
5 0.9893 nan 0.0379 0.0092
6 0.9717 nan 0.0379 0.0088
7 0.9563 nan 0.0379 0.0077
8 0.9419 nan 0.0379 0.0071
9 0.9284 nan 0.0379 0.0066
10 0.9157 nan 0.0379 0.0063
20 0.8253 nan 0.0379 0.0033
40 0.7308 nan 0.0379 0.0018
60 0.6821 nan 0.0379 0.0006
80 0.6533 nan 0.0379 0.0006
100 0.6361 nan 0.0379 0.0004
120 0.6235 nan 0.0379 0.0002
140 0.6143 nan 0.0379 0.0001
160 0.6074 nan 0.0379 0.0001
180 0.6017 nan 0.0379 0.0000
200 0.5968 nan 0.0379 0.0001
220 0.5927 nan 0.0379 0.0000
240 0.5885 nan 0.0379 0.0000
260 0.5856 nan 0.0379 0.0000
280 0.5831 nan 0.0379 -0.0000
300 0.5803 nan 0.0379 -0.0000
320 0.5783 nan 0.0379 -0.0000
340 0.5760 nan 0.0379 -0.0000
342 0.5758 nan 0.0379 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0751 nan 0.0398 0.0126
2 1.0522 nan 0.0398 0.0114
3 1.0310 nan 0.0398 0.0102
4 1.0113 nan 0.0398 0.0096
5 0.9936 nan 0.0398 0.0088
6 0.9766 nan 0.0398 0.0084
7 0.9609 nan 0.0398 0.0077
8 0.9466 nan 0.0398 0.0070
9 0.9337 nan 0.0398 0.0066
10 0.9218 nan 0.0398 0.0061
20 0.8296 nan 0.0398 0.0037
40 0.7399 nan 0.0398 0.0017
60 0.6939 nan 0.0398 0.0007
80 0.6650 nan 0.0398 0.0005
100 0.6472 nan 0.0398 0.0003
120 0.6346 nan 0.0398 0.0001
140 0.6242 nan 0.0398 0.0002
160 0.6161 nan 0.0398 0.0001
180 0.6100 nan 0.0398 0.0001
200 0.6041 nan 0.0398 0.0001
220 0.6001 nan 0.0398 0.0001
240 0.5965 nan 0.0398 0.0000
260 0.5932 nan 0.0398 -0.0000
280 0.5900 nan 0.0398 0.0001
300 0.5875 nan 0.0398 0.0000
320 0.5853 nan 0.0398 -0.0000
340 0.5828 nan 0.0398 0.0001
360 0.5810 nan 0.0398 0.0001
380 0.5790 nan 0.0398 -0.0000
400 0.5774 nan 0.0398 0.0000
420 0.5756 nan 0.0398 -0.0000
440 0.5740 nan 0.0398 0.0000
460 0.5725 nan 0.0398 0.0000
480 0.5708 nan 0.0398 -0.0000
500 0.5695 nan 0.0398 -0.0000
520 0.5683 nan 0.0398 -0.0000
540 0.5668 nan 0.0398 -0.0000
560 0.5655 nan 0.0398 -0.0000
580 0.5643 nan 0.0398 -0.0000
600 0.5630 nan 0.0398 -0.0000
620 0.5620 nan 0.0398 -0.0000
640 0.5612 nan 0.0398 -0.0000
660 0.5601 nan 0.0398 -0.0000
680 0.5590 nan 0.0398 -0.0000
700 0.5582 nan 0.0398 -0.0000
720 0.5574 nan 0.0398 -0.0000
740 0.5566 nan 0.0398 -0.0000
760 0.5557 nan 0.0398 -0.0000
780 0.5549 nan 0.0398 -0.0000
800 0.5541 nan 0.0398 -0.0000
820 0.5534 nan 0.0398 0.0001
840 0.5526 nan 0.0398 -0.0000
860 0.5519 nan 0.0398 -0.0000
880 0.5513 nan 0.0398 -0.0000
900 0.5506 nan 0.0398 -0.0000
919 0.5500 nan 0.0398 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0837 nan 0.0410 0.0083
2 1.0686 nan 0.0410 0.0075
3 1.0546 nan 0.0410 0.0069
4 1.0419 nan 0.0410 0.0064
5 1.0301 nan 0.0410 0.0059
6 1.0192 nan 0.0410 0.0054
7 1.0092 nan 0.0410 0.0051
8 0.9993 nan 0.0410 0.0049
9 0.9908 nan 0.0410 0.0043
10 0.9817 nan 0.0410 0.0045
20 0.9140 nan 0.0410 0.0030
40 0.8321 nan 0.0410 0.0018
60 0.7857 nan 0.0410 0.0009
80 0.7519 nan 0.0410 0.0008
100 0.7271 nan 0.0410 0.0005
120 0.7079 nan 0.0410 0.0003
140 0.6929 nan 0.0410 0.0004
160 0.6803 nan 0.0410 0.0001
180 0.6703 nan 0.0410 0.0003
200 0.6619 nan 0.0410 0.0001
220 0.6547 nan 0.0410 0.0001
240 0.6489 nan 0.0410 0.0001
260 0.6447 nan 0.0410 0.0001
280 0.6401 nan 0.0410 0.0001
284 0.6395 nan 0.0410 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0672 nan 0.0452 0.0167
2 1.0377 nan 0.0452 0.0144
3 1.0115 nan 0.0452 0.0131
4 0.9881 nan 0.0452 0.0116
5 0.9670 nan 0.0452 0.0103
6 0.9480 nan 0.0452 0.0094
7 0.9304 nan 0.0452 0.0088
8 0.9139 nan 0.0452 0.0079
9 0.8986 nan 0.0452 0.0076
10 0.8844 nan 0.0452 0.0071
20 0.7893 nan 0.0452 0.0034
40 0.6960 nan 0.0452 0.0015
60 0.6531 nan 0.0452 0.0008
80 0.6286 nan 0.0452 0.0001
100 0.6122 nan 0.0452 0.0002
120 0.6020 nan 0.0452 0.0002
140 0.5923 nan 0.0452 0.0000
160 0.5854 nan 0.0452 0.0002
180 0.5803 nan 0.0452 -0.0000
200 0.5758 nan 0.0452 0.0000
220 0.5718 nan 0.0452 -0.0001
240 0.5683 nan 0.0452 0.0002
260 0.5648 nan 0.0452 0.0000
280 0.5609 nan 0.0452 0.0000
300 0.5582 nan 0.0452 -0.0000
302 0.5579 nan 0.0452 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0819 nan 0.0466 0.0093
2 1.0649 nan 0.0466 0.0085
3 1.0495 nan 0.0466 0.0077
4 1.0351 nan 0.0466 0.0070
5 1.0221 nan 0.0466 0.0063
6 1.0104 nan 0.0466 0.0058
7 0.9992 nan 0.0466 0.0055
8 0.9896 nan 0.0466 0.0048
9 0.9795 nan 0.0466 0.0052
10 0.9715 nan 0.0466 0.0040
20 0.9013 nan 0.0466 0.0033
40 0.8165 nan 0.0466 0.0016
60 0.7697 nan 0.0466 0.0009
80 0.7375 nan 0.0466 0.0007
100 0.7134 nan 0.0466 0.0005
120 0.6951 nan 0.0466 0.0002
140 0.6812 nan 0.0466 0.0003
160 0.6693 nan 0.0466 0.0004
180 0.6599 nan 0.0466 0.0001
200 0.6522 nan 0.0466 0.0002
220 0.6464 nan 0.0466 0.0001
240 0.6415 nan 0.0466 0.0001
260 0.6371 nan 0.0466 0.0000
280 0.6334 nan 0.0466 0.0000
300 0.6302 nan 0.0466 0.0000
320 0.6272 nan 0.0466 0.0000
340 0.6247 nan 0.0466 0.0001
360 0.6224 nan 0.0466 0.0000
380 0.6203 nan 0.0466 -0.0000
386 0.6198 nan 0.0466 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0685 nan 0.0467 0.0159
2 1.0393 nan 0.0467 0.0146
3 1.0139 nan 0.0467 0.0127
4 0.9903 nan 0.0467 0.0116
5 0.9696 nan 0.0467 0.0106
6 0.9507 nan 0.0467 0.0095
7 0.9335 nan 0.0467 0.0086
8 0.9176 nan 0.0467 0.0078
9 0.9024 nan 0.0467 0.0076
10 0.8891 nan 0.0467 0.0066
20 0.7957 nan 0.0467 0.0037
40 0.7054 nan 0.0467 0.0015
60 0.6601 nan 0.0467 0.0008
80 0.6366 nan 0.0467 0.0003
100 0.6218 nan 0.0467 0.0004
120 0.6105 nan 0.0467 0.0002
140 0.6016 nan 0.0467 0.0002
160 0.5942 nan 0.0467 0.0002
180 0.5890 nan 0.0467 0.0000
200 0.5842 nan 0.0467 0.0001
220 0.5807 nan 0.0467 -0.0000
240 0.5776 nan 0.0467 0.0000
260 0.5746 nan 0.0467 0.0001
280 0.5716 nan 0.0467 0.0000
300 0.5690 nan 0.0467 0.0000
320 0.5663 nan 0.0467 0.0000
340 0.5641 nan 0.0467 -0.0000
360 0.5621 nan 0.0467 -0.0000
380 0.5603 nan 0.0467 -0.0000
400 0.5584 nan 0.0467 -0.0000
420 0.5567 nan 0.0467 0.0000
440 0.5551 nan 0.0467 -0.0000
460 0.5535 nan 0.0467 0.0001
480 0.5520 nan 0.0467 -0.0000
500 0.5501 nan 0.0467 -0.0000
520 0.5488 nan 0.0467 -0.0000
540 0.5475 nan 0.0467 -0.0000
560 0.5461 nan 0.0467 0.0000
580 0.5448 nan 0.0467 -0.0000
600 0.5435 nan 0.0467 -0.0000
620 0.5424 nan 0.0467 -0.0000
640 0.5415 nan 0.0467 -0.0001
660 0.5406 nan 0.0467 -0.0000
680 0.5395 nan 0.0467 -0.0000
700 0.5387 nan 0.0467 -0.0000
720 0.5375 nan 0.0467 -0.0000
740 0.5363 nan 0.0467 -0.0000
753 0.5357 nan 0.0467 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0689 nan 0.0497 0.0159
2 1.0416 nan 0.0497 0.0136
3 1.0166 nan 0.0497 0.0123
4 0.9932 nan 0.0497 0.0115
5 0.9725 nan 0.0497 0.0102
6 0.9538 nan 0.0497 0.0092
7 0.9371 nan 0.0497 0.0085
8 0.9217 nan 0.0497 0.0075
9 0.9069 nan 0.0497 0.0073
10 0.8936 nan 0.0497 0.0064
20 0.7984 nan 0.0497 0.0027
40 0.7138 nan 0.0497 0.0014
60 0.6705 nan 0.0497 0.0009
80 0.6458 nan 0.0497 0.0003
100 0.6310 nan 0.0497 0.0002
120 0.6204 nan 0.0497 0.0003
140 0.6117 nan 0.0497 0.0001
160 0.6047 nan 0.0497 0.0001
180 0.5992 nan 0.0497 0.0000
200 0.5951 nan 0.0497 0.0000
220 0.5916 nan 0.0497 0.0001
240 0.5882 nan 0.0497 -0.0000
260 0.5849 nan 0.0497 -0.0000
280 0.5824 nan 0.0497 0.0000
300 0.5804 nan 0.0497 -0.0000
320 0.5783 nan 0.0497 0.0000
340 0.5762 nan 0.0497 -0.0000
360 0.5740 nan 0.0497 0.0001
380 0.5722 nan 0.0497 -0.0000
400 0.5706 nan 0.0497 -0.0000
420 0.5688 nan 0.0497 0.0000
440 0.5676 nan 0.0497 0.0000
460 0.5664 nan 0.0497 -0.0000
480 0.5646 nan 0.0497 0.0001
500 0.5631 nan 0.0497 -0.0000
520 0.5618 nan 0.0497 -0.0000
540 0.5606 nan 0.0497 -0.0000
553 0.5598 nan 0.0497 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0728 nan 0.0500 0.0138
2 1.0487 nan 0.0500 0.0121
3 1.0271 nan 0.0500 0.0106
4 1.0071 nan 0.0500 0.0102
5 0.9898 nan 0.0500 0.0089
6 0.9734 nan 0.0500 0.0080
7 0.9589 nan 0.0500 0.0073
8 0.9417 nan 0.0500 0.0086
9 0.9260 nan 0.0500 0.0077
10 0.9124 nan 0.0500 0.0069
20 0.8250 nan 0.0500 0.0028
40 0.7425 nan 0.0500 0.0017
60 0.6985 nan 0.0500 0.0006
80 0.6696 nan 0.0500 0.0005
100 0.6517 nan 0.0500 0.0004
120 0.6395 nan 0.0500 0.0002
140 0.6314 nan 0.0500 0.0002
160 0.6245 nan 0.0500 0.0001
180 0.6191 nan 0.0500 0.0001
200 0.6140 nan 0.0500 0.0001
220 0.6102 nan 0.0500 0.0001
240 0.6065 nan 0.0500 0.0000
260 0.6036 nan 0.0500 0.0000
280 0.6009 nan 0.0500 0.0000
300 0.5984 nan 0.0500 0.0000
320 0.5964 nan 0.0500 0.0000
340 0.5945 nan 0.0500 0.0000
360 0.5925 nan 0.0500 -0.0000
380 0.5909 nan 0.0500 0.0000
400 0.5889 nan 0.0500 0.0000
420 0.5875 nan 0.0500 -0.0000
440 0.5861 nan 0.0500 -0.0000
460 0.5846 nan 0.0500 -0.0000
480 0.5836 nan 0.0500 -0.0000
500 0.5823 nan 0.0500 0.0000
520 0.5809 nan 0.0500 0.0000
540 0.5798 nan 0.0500 -0.0000
560 0.5783 nan 0.0500 -0.0000
580 0.5772 nan 0.0500 0.0000
600 0.5765 nan 0.0500 -0.0000
620 0.5756 nan 0.0500 -0.0000
640 0.5746 nan 0.0500 -0.0001
660 0.5734 nan 0.0500 0.0000
680 0.5728 nan 0.0500 -0.0000
700 0.5720 nan 0.0500 -0.0000
720 0.5713 nan 0.0500 -0.0000
740 0.5706 nan 0.0500 -0.0000
760 0.5698 nan 0.0500 -0.0000
780 0.5691 nan 0.0500 -0.0000
800 0.5682 nan 0.0500 -0.0000
820 0.5677 nan 0.0500 -0.0000
840 0.5667 nan 0.0500 -0.0000
860 0.5661 nan 0.0500 -0.0000
880 0.5655 nan 0.0500 0.0000
900 0.5647 nan 0.0500 -0.0000
907 0.5645 nan 0.0500 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0715 nan 0.0528 0.0143
2 1.0465 nan 0.0528 0.0124
3 1.0237 nan 0.0528 0.0115
4 1.0037 nan 0.0528 0.0096
5 0.9845 nan 0.0528 0.0095
6 0.9676 nan 0.0528 0.0083
7 0.9523 nan 0.0528 0.0074
8 0.9344 nan 0.0528 0.0086
9 0.9189 nan 0.0528 0.0076
10 0.9045 nan 0.0528 0.0070
20 0.8177 nan 0.0528 0.0026
40 0.7343 nan 0.0528 0.0013
60 0.6909 nan 0.0528 0.0010
80 0.6645 nan 0.0528 0.0005
100 0.6478 nan 0.0528 0.0003
120 0.6364 nan 0.0528 0.0004
140 0.6282 nan 0.0528 0.0001
160 0.6214 nan 0.0528 0.0001
180 0.6161 nan 0.0528 0.0000
200 0.6122 nan 0.0528 -0.0000
220 0.6079 nan 0.0528 0.0001
225 0.6069 nan 0.0528 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0708 nan 0.0536 0.0148
2 1.0455 nan 0.0536 0.0127
3 1.0232 nan 0.0536 0.0112
4 1.0025 nan 0.0536 0.0104
5 0.9837 nan 0.0536 0.0094
6 0.9626 nan 0.0536 0.0101
7 0.9478 nan 0.0536 0.0075
8 0.9308 nan 0.0536 0.0083
9 0.9157 nan 0.0536 0.0077
10 0.9018 nan 0.0536 0.0068
20 0.8163 nan 0.0536 0.0030
40 0.7342 nan 0.0536 0.0013
60 0.6890 nan 0.0536 0.0008
80 0.6627 nan 0.0536 0.0002
100 0.6463 nan 0.0536 0.0002
120 0.6351 nan 0.0536 0.0003
140 0.6262 nan 0.0536 0.0001
160 0.6194 nan 0.0536 0.0000
180 0.6145 nan 0.0536 0.0000
200 0.6107 nan 0.0536 0.0000
220 0.6066 nan 0.0536 0.0000
240 0.6034 nan 0.0536 0.0000
260 0.6006 nan 0.0536 0.0000
280 0.5979 nan 0.0536 0.0000
283 0.5976 nan 0.0536 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0784 nan 0.0552 0.0110
2 1.0587 nan 0.0552 0.0098
3 1.0415 nan 0.0552 0.0087
4 1.0259 nan 0.0552 0.0078
5 1.0119 nan 0.0552 0.0070
6 0.9987 nan 0.0552 0.0064
7 0.9862 nan 0.0552 0.0062
8 0.9756 nan 0.0552 0.0056
9 0.9665 nan 0.0552 0.0046
10 0.9586 nan 0.0552 0.0035
20 0.8792 nan 0.0552 0.0034
40 0.7973 nan 0.0552 0.0014
60 0.7505 nan 0.0552 0.0007
80 0.7189 nan 0.0552 0.0006
100 0.6961 nan 0.0552 0.0003
120 0.6793 nan 0.0552 0.0003
140 0.6668 nan 0.0552 0.0001
160 0.6559 nan 0.0552 0.0003
180 0.6479 nan 0.0552 0.0002
200 0.6421 nan 0.0552 0.0001
220 0.6371 nan 0.0552 0.0000
240 0.6331 nan 0.0552 0.0000
260 0.6291 nan 0.0552 0.0001
280 0.6265 nan 0.0552 0.0000
300 0.6240 nan 0.0552 0.0000
320 0.6212 nan 0.0552 0.0000
340 0.6187 nan 0.0552 0.0000
360 0.6159 nan 0.0552 0.0001
380 0.6134 nan 0.0552 0.0000
400 0.6113 nan 0.0552 0.0000
420 0.6095 nan 0.0552 0.0000
440 0.6076 nan 0.0552 0.0000
460 0.6060 nan 0.0552 0.0000
480 0.6048 nan 0.0552 0.0000
500 0.6035 nan 0.0552 0.0000
520 0.6022 nan 0.0552 0.0000
540 0.6010 nan 0.0552 -0.0000
560 0.5998 nan 0.0552 0.0000
580 0.5989 nan 0.0552 0.0000
600 0.5980 nan 0.0552 0.0000
620 0.5972 nan 0.0552 -0.0000
640 0.5962 nan 0.0552 0.0000
660 0.5954 nan 0.0552 -0.0000
680 0.5947 nan 0.0552 -0.0000
700 0.5941 nan 0.0552 -0.0000
720 0.5934 nan 0.0552 0.0000
740 0.5929 nan 0.0552 -0.0000
760 0.5921 nan 0.0552 -0.0001
780 0.5914 nan 0.0552 -0.0000
800 0.5907 nan 0.0552 0.0000
820 0.5902 nan 0.0552 -0.0000
840 0.5897 nan 0.0552 -0.0000
860 0.5891 nan 0.0552 0.0000
880 0.5886 nan 0.0552 -0.0000
900 0.5879 nan 0.0552 -0.0000
920 0.5874 nan 0.0552 -0.0000
940 0.5871 nan 0.0552 -0.0000
956 0.5866 nan 0.0552 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0715 nan 0.0555 0.0143
2 1.0447 nan 0.0555 0.0138
3 1.0206 nan 0.0555 0.0120
4 0.9990 nan 0.0555 0.0106
5 0.9803 nan 0.0555 0.0094
6 0.9628 nan 0.0555 0.0084
7 0.9441 nan 0.0555 0.0093
8 0.9271 nan 0.0555 0.0083
9 0.9120 nan 0.0555 0.0076
10 0.8984 nan 0.0555 0.0068
20 0.8123 nan 0.0555 0.0034
40 0.7309 nan 0.0555 0.0014
60 0.6863 nan 0.0555 0.0009
80 0.6606 nan 0.0555 0.0005
100 0.6449 nan 0.0555 0.0002
120 0.6329 nan 0.0555 0.0001
140 0.6249 nan 0.0555 0.0002
160 0.6185 nan 0.0555 0.0001
180 0.6139 nan 0.0555 0.0001
200 0.6095 nan 0.0555 0.0000
220 0.6060 nan 0.0555 0.0001
240 0.6024 nan 0.0555 0.0000
260 0.5993 nan 0.0555 -0.0000
280 0.5964 nan 0.0555 0.0001
300 0.5932 nan 0.0555 0.0000
320 0.5915 nan 0.0555 0.0000
340 0.5896 nan 0.0555 0.0000
360 0.5878 nan 0.0555 -0.0000
380 0.5863 nan 0.0555 0.0000
400 0.5846 nan 0.0555 -0.0000
420 0.5828 nan 0.0555 -0.0000
440 0.5814 nan 0.0555 -0.0000
460 0.5802 nan 0.0555 -0.0000
480 0.5791 nan 0.0555 -0.0000
493 0.5784 nan 0.0555 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0571 nan 0.0614 0.0215
2 1.0220 nan 0.0614 0.0179
3 0.9911 nan 0.0614 0.0154
4 0.9624 nan 0.0614 0.0139
5 0.9390 nan 0.0614 0.0117
6 0.9185 nan 0.0614 0.0103
7 0.8993 nan 0.0614 0.0096
8 0.8816 nan 0.0614 0.0090
9 0.8660 nan 0.0614 0.0078
10 0.8520 nan 0.0614 0.0067
20 0.7544 nan 0.0614 0.0036
40 0.6725 nan 0.0614 0.0010
60 0.6390 nan 0.0614 0.0005
80 0.6203 nan 0.0614 0.0003
100 0.6081 nan 0.0614 0.0002
120 0.5997 nan 0.0614 0.0001
140 0.5938 nan 0.0614 -0.0000
160 0.5897 nan 0.0614 -0.0000
180 0.5856 nan 0.0614 0.0000
200 0.5817 nan 0.0614 0.0000
220 0.5789 nan 0.0614 -0.0000
240 0.5762 nan 0.0614 -0.0001
260 0.5736 nan 0.0614 -0.0000
280 0.5715 nan 0.0614 -0.0000
300 0.5695 nan 0.0614 -0.0001
320 0.5676 nan 0.0614 -0.0001
340 0.5661 nan 0.0614 -0.0000
360 0.5642 nan 0.0614 0.0000
380 0.5624 nan 0.0614 -0.0001
400 0.5605 nan 0.0614 -0.0000
420 0.5589 nan 0.0614 -0.0000
436 0.5579 nan 0.0614 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0544 nan 0.0636 0.0230
2 1.0158 nan 0.0636 0.0193
3 0.9830 nan 0.0636 0.0160
4 0.9551 nan 0.0636 0.0143
5 0.9293 nan 0.0636 0.0129
6 0.9075 nan 0.0636 0.0110
7 0.8873 nan 0.0636 0.0098
8 0.8694 nan 0.0636 0.0089
9 0.8535 nan 0.0636 0.0078
10 0.8397 nan 0.0636 0.0070
20 0.7407 nan 0.0636 0.0035
40 0.6583 nan 0.0636 0.0011
60 0.6233 nan 0.0636 0.0006
80 0.6057 nan 0.0636 0.0004
100 0.5922 nan 0.0636 0.0001
120 0.5837 nan 0.0636 0.0001
140 0.5775 nan 0.0636 0.0000
160 0.5711 nan 0.0636 -0.0000
180 0.5667 nan 0.0636 0.0001
200 0.5618 nan 0.0636 0.0002
220 0.5579 nan 0.0636 -0.0000
240 0.5551 nan 0.0636 -0.0000
260 0.5526 nan 0.0636 -0.0000
280 0.5499 nan 0.0636 -0.0000
300 0.5474 nan 0.0636 -0.0000
320 0.5445 nan 0.0636 -0.0001
340 0.5423 nan 0.0636 -0.0000
360 0.5401 nan 0.0636 -0.0000
380 0.5381 nan 0.0636 -0.0000
400 0.5362 nan 0.0636 -0.0000
420 0.5341 nan 0.0636 -0.0000
440 0.5322 nan 0.0636 -0.0001
460 0.5304 nan 0.0636 -0.0000
480 0.5285 nan 0.0636 -0.0000
500 0.5269 nan 0.0636 -0.0001
520 0.5252 nan 0.0636 -0.0001
540 0.5238 nan 0.0636 -0.0000
560 0.5223 nan 0.0636 -0.0000
580 0.5207 nan 0.0636 -0.0001
586 0.5204 nan 0.0636 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0529 nan 0.0644 0.0230
2 1.0149 nan 0.0644 0.0194
3 0.9812 nan 0.0644 0.0165
4 0.9519 nan 0.0644 0.0142
5 0.9262 nan 0.0644 0.0128
6 0.9033 nan 0.0644 0.0118
7 0.8838 nan 0.0644 0.0098
8 0.8661 nan 0.0644 0.0086
9 0.8504 nan 0.0644 0.0076
10 0.8361 nan 0.0644 0.0069
20 0.7394 nan 0.0644 0.0037
40 0.6569 nan 0.0644 0.0012
60 0.6251 nan 0.0644 0.0002
80 0.6062 nan 0.0644 0.0003
100 0.5937 nan 0.0644 0.0001
120 0.5859 nan 0.0644 0.0000
140 0.5786 nan 0.0644 0.0001
160 0.5744 nan 0.0644 -0.0000
180 0.5703 nan 0.0644 0.0000
200 0.5661 nan 0.0644 -0.0000
220 0.5631 nan 0.0644 -0.0000
240 0.5600 nan 0.0644 -0.0000
260 0.5571 nan 0.0644 0.0000
280 0.5540 nan 0.0644 -0.0001
300 0.5511 nan 0.0644 -0.0001
320 0.5486 nan 0.0644 -0.0001
340 0.5468 nan 0.0644 -0.0000
360 0.5447 nan 0.0644 -0.0001
380 0.5428 nan 0.0644 -0.0001
400 0.5411 nan 0.0644 -0.0001
420 0.5394 nan 0.0644 -0.0001
440 0.5379 nan 0.0644 -0.0001
460 0.5360 nan 0.0644 -0.0001
480 0.5346 nan 0.0644 -0.0001
500 0.5328 nan 0.0644 -0.0001
520 0.5315 nan 0.0644 -0.0001
540 0.5300 nan 0.0644 -0.0000
560 0.5284 nan 0.0644 -0.0001
580 0.5269 nan 0.0644 -0.0000
600 0.5256 nan 0.0644 -0.0000
620 0.5244 nan 0.0644 -0.0001
640 0.5229 nan 0.0644 -0.0001
660 0.5210 nan 0.0644 -0.0001
680 0.5192 nan 0.0644 -0.0001
700 0.5180 nan 0.0644 -0.0000
720 0.5166 nan 0.0644 -0.0001
740 0.5155 nan 0.0644 -0.0001
760 0.5144 nan 0.0644 -0.0001
780 0.5130 nan 0.0644 -0.0000
800 0.5117 nan 0.0644 -0.0000
820 0.5102 nan 0.0644 0.0001
840 0.5092 nan 0.0644 -0.0001
860 0.5081 nan 0.0644 -0.0001
880 0.5072 nan 0.0644 -0.0001
897 0.5064 nan 0.0644 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0533 nan 0.0662 0.0236
2 1.0158 nan 0.0662 0.0184
3 0.9834 nan 0.0662 0.0166
4 0.9547 nan 0.0662 0.0142
5 0.9291 nan 0.0662 0.0129
6 0.9073 nan 0.0662 0.0108
7 0.8876 nan 0.0662 0.0099
8 0.8704 nan 0.0662 0.0087
9 0.8557 nan 0.0662 0.0074
10 0.8419 nan 0.0662 0.0068
20 0.7455 nan 0.0662 0.0035
40 0.6655 nan 0.0662 0.0011
60 0.6324 nan 0.0662 0.0004
80 0.6147 nan 0.0662 0.0002
100 0.6038 nan 0.0662 0.0001
120 0.5963 nan 0.0662 0.0002
140 0.5897 nan 0.0662 0.0000
160 0.5851 nan 0.0662 -0.0000
180 0.5811 nan 0.0662 0.0000
200 0.5781 nan 0.0662 0.0001
220 0.5749 nan 0.0662 -0.0000
240 0.5718 nan 0.0662 0.0000
260 0.5690 nan 0.0662 -0.0000
280 0.5664 nan 0.0662 -0.0000
300 0.5645 nan 0.0662 -0.0000
320 0.5625 nan 0.0662 -0.0000
340 0.5610 nan 0.0662 -0.0000
354 0.5596 nan 0.0662 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0546 nan 0.0663 0.0232
2 1.0167 nan 0.0663 0.0191
3 0.9841 nan 0.0663 0.0166
4 0.9559 nan 0.0663 0.0142
5 0.9313 nan 0.0663 0.0125
6 0.9095 nan 0.0663 0.0107
7 0.8902 nan 0.0663 0.0094
8 0.8726 nan 0.0663 0.0085
9 0.8571 nan 0.0663 0.0078
10 0.8425 nan 0.0663 0.0074
20 0.7461 nan 0.0663 0.0036
40 0.6648 nan 0.0663 0.0012
60 0.6313 nan 0.0663 0.0003
80 0.6127 nan 0.0663 0.0002
100 0.6012 nan 0.0663 0.0001
120 0.5911 nan 0.0663 0.0002
140 0.5843 nan 0.0663 0.0000
160 0.5789 nan 0.0663 -0.0001
180 0.5740 nan 0.0663 -0.0000
200 0.5701 nan 0.0663 0.0001
220 0.5669 nan 0.0663 -0.0000
240 0.5636 nan 0.0663 -0.0000
260 0.5601 nan 0.0663 -0.0000
280 0.5574 nan 0.0663 0.0000
300 0.5556 nan 0.0663 -0.0001
320 0.5525 nan 0.0663 -0.0000
340 0.5507 nan 0.0663 -0.0000
355 0.5482 nan 0.0663 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0618 nan 0.0685 0.0183
2 1.0307 nan 0.0685 0.0154
3 1.0037 nan 0.0685 0.0138
4 0.9805 nan 0.0685 0.0116
5 0.9590 nan 0.0685 0.0108
6 0.9359 nan 0.0685 0.0113
7 0.9162 nan 0.0685 0.0098
8 0.8989 nan 0.0685 0.0087
9 0.8855 nan 0.0685 0.0066
10 0.8712 nan 0.0685 0.0070
20 0.7869 nan 0.0685 0.0032
40 0.7064 nan 0.0685 0.0014
60 0.6675 nan 0.0685 0.0008
80 0.6454 nan 0.0685 0.0004
100 0.6312 nan 0.0685 0.0001
120 0.6223 nan 0.0685 0.0002
140 0.6155 nan 0.0685 0.0001
160 0.6094 nan 0.0685 0.0001
180 0.6046 nan 0.0685 0.0001
200 0.6014 nan 0.0685 -0.0000
220 0.5981 nan 0.0685 -0.0000
240 0.5947 nan 0.0685 -0.0000
260 0.5913 nan 0.0685 -0.0000
280 0.5890 nan 0.0685 -0.0000
300 0.5873 nan 0.0685 -0.0000
320 0.5853 nan 0.0685 -0.0000
340 0.5836 nan 0.0685 -0.0000
360 0.5820 nan 0.0685 -0.0000
380 0.5806 nan 0.0685 0.0000
400 0.5790 nan 0.0685 -0.0001
406 0.5787 nan 0.0685 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0634 nan 0.0687 0.0187
2 1.0317 nan 0.0687 0.0156
3 1.0040 nan 0.0687 0.0141
4 0.9803 nan 0.0687 0.0119
5 0.9590 nan 0.0687 0.0107
6 0.9359 nan 0.0687 0.0113
7 0.9165 nan 0.0687 0.0100
8 0.9016 nan 0.0687 0.0074
9 0.8856 nan 0.0687 0.0079
10 0.8715 nan 0.0687 0.0070
20 0.7888 nan 0.0687 0.0029
40 0.7065 nan 0.0687 0.0012
60 0.6669 nan 0.0687 0.0004
80 0.6452 nan 0.0687 0.0002
100 0.6321 nan 0.0687 0.0002
120 0.6220 nan 0.0687 0.0001
140 0.6147 nan 0.0687 0.0001
160 0.6088 nan 0.0687 0.0001
180 0.6031 nan 0.0687 0.0001
200 0.5991 nan 0.0687 0.0000
220 0.5962 nan 0.0687 -0.0000
240 0.5927 nan 0.0687 0.0000
260 0.5898 nan 0.0687 0.0000
280 0.5873 nan 0.0687 0.0000
300 0.5850 nan 0.0687 0.0000
320 0.5825 nan 0.0687 0.0000
340 0.5806 nan 0.0687 -0.0000
360 0.5788 nan 0.0687 -0.0000
380 0.5764 nan 0.0687 -0.0000
400 0.5748 nan 0.0687 0.0000
420 0.5736 nan 0.0687 -0.0000
440 0.5720 nan 0.0687 -0.0000
460 0.5706 nan 0.0687 -0.0001
480 0.5691 nan 0.0687 -0.0000
500 0.5679 nan 0.0687 -0.0000
520 0.5668 nan 0.0687 -0.0000
540 0.5658 nan 0.0687 -0.0001
560 0.5649 nan 0.0687 -0.0000
580 0.5641 nan 0.0687 -0.0001
600 0.5632 nan 0.0687 -0.0001
620 0.5622 nan 0.0687 -0.0000
640 0.5612 nan 0.0687 -0.0000
660 0.5595 nan 0.0687 -0.0000
680 0.5584 nan 0.0687 -0.0000
700 0.5570 nan 0.0687 -0.0000
720 0.5564 nan 0.0687 -0.0000
740 0.5555 nan 0.0687 0.0000
760 0.5541 nan 0.0687 -0.0000
780 0.5532 nan 0.0687 -0.0000
800 0.5522 nan 0.0687 -0.0000
820 0.5515 nan 0.0687 -0.0000
840 0.5507 nan 0.0687 -0.0000
860 0.5500 nan 0.0687 -0.0000
880 0.5494 nan 0.0687 -0.0000
881 0.5493 nan 0.0687 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0726 nan 0.0697 0.0138
2 1.0486 nan 0.0697 0.0119
3 1.0285 nan 0.0697 0.0103
4 1.0107 nan 0.0697 0.0089
5 0.9942 nan 0.0697 0.0081
6 0.9813 nan 0.0697 0.0063
7 0.9662 nan 0.0697 0.0075
8 0.9531 nan 0.0697 0.0066
9 0.9432 nan 0.0697 0.0052
10 0.9347 nan 0.0697 0.0041
20 0.8499 nan 0.0697 0.0032
40 0.7696 nan 0.0697 0.0011
60 0.7230 nan 0.0697 0.0013
80 0.6948 nan 0.0697 0.0004
100 0.6737 nan 0.0697 0.0003
120 0.6603 nan 0.0697 0.0001
140 0.6495 nan 0.0697 0.0001
160 0.6410 nan 0.0697 0.0001
180 0.6355 nan 0.0697 0.0000
200 0.6303 nan 0.0697 0.0002
220 0.6260 nan 0.0697 0.0001
240 0.6221 nan 0.0697 0.0000
260 0.6190 nan 0.0697 0.0000
280 0.6159 nan 0.0697 0.0000
300 0.6136 nan 0.0697 0.0000
320 0.6112 nan 0.0697 0.0000
340 0.6089 nan 0.0697 0.0000
360 0.6065 nan 0.0697 0.0000
380 0.6051 nan 0.0697 -0.0000
400 0.6036 nan 0.0697 0.0000
420 0.6017 nan 0.0697 0.0001
440 0.6001 nan 0.0697 0.0000
460 0.5989 nan 0.0697 -0.0000
480 0.5977 nan 0.0697 -0.0000
500 0.5966 nan 0.0697 -0.0000
520 0.5956 nan 0.0697 -0.0000
540 0.5945 nan 0.0697 0.0000
545 0.5942 nan 0.0697 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0491 nan 0.0714 0.0254
2 1.0070 nan 0.0714 0.0213
3 0.9716 nan 0.0714 0.0177
4 0.9414 nan 0.0714 0.0154
5 0.9153 nan 0.0714 0.0132
6 0.8927 nan 0.0714 0.0112
7 0.8714 nan 0.0714 0.0108
8 0.8532 nan 0.0714 0.0089
9 0.8367 nan 0.0714 0.0081
10 0.8227 nan 0.0714 0.0069
20 0.7261 nan 0.0714 0.0035
40 0.6498 nan 0.0714 0.0013
60 0.6177 nan 0.0714 0.0007
80 0.6005 nan 0.0714 0.0001
100 0.5898 nan 0.0714 0.0002
120 0.5811 nan 0.0714 0.0001
140 0.5753 nan 0.0714 0.0002
160 0.5705 nan 0.0714 -0.0000
180 0.5656 nan 0.0714 0.0000
200 0.5623 nan 0.0714 -0.0001
220 0.5584 nan 0.0714 -0.0001
240 0.5549 nan 0.0714 -0.0000
260 0.5527 nan 0.0714 -0.0001
280 0.5498 nan 0.0714 -0.0001
300 0.5473 nan 0.0714 0.0000
320 0.5450 nan 0.0714 -0.0000
340 0.5429 nan 0.0714 -0.0000
360 0.5412 nan 0.0714 -0.0000
380 0.5396 nan 0.0714 -0.0000
400 0.5377 nan 0.0714 -0.0000
420 0.5359 nan 0.0714 -0.0000
440 0.5341 nan 0.0714 -0.0000
460 0.5325 nan 0.0714 -0.0000
473 0.5315 nan 0.0714 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0605 nan 0.0743 0.0199
2 1.0271 nan 0.0743 0.0160
3 0.9976 nan 0.0743 0.0146
4 0.9730 nan 0.0743 0.0125
5 0.9518 nan 0.0743 0.0106
6 0.9281 nan 0.0743 0.0121
7 0.9072 nan 0.0743 0.0105
8 0.8891 nan 0.0743 0.0089
9 0.8731 nan 0.0743 0.0079
10 0.8605 nan 0.0743 0.0062
20 0.7750 nan 0.0743 0.0031
40 0.6966 nan 0.0743 0.0012
60 0.6610 nan 0.0743 0.0006
80 0.6407 nan 0.0743 0.0003
100 0.6271 nan 0.0743 0.0001
120 0.6198 nan 0.0743 0.0000
140 0.6124 nan 0.0743 0.0002
160 0.6072 nan 0.0743 0.0000
180 0.6028 nan 0.0743 -0.0000
185 0.6016 nan 0.0743 0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0494 nan 0.0751 0.0255
2 1.0072 nan 0.0751 0.0214
3 0.9721 nan 0.0751 0.0176
4 0.9412 nan 0.0751 0.0154
5 0.9151 nan 0.0751 0.0128
6 0.8926 nan 0.0751 0.0113
7 0.8725 nan 0.0751 0.0097
8 0.8553 nan 0.0751 0.0086
9 0.8388 nan 0.0751 0.0079
10 0.8240 nan 0.0751 0.0070
20 0.7298 nan 0.0751 0.0040
40 0.6538 nan 0.0751 0.0010
60 0.6235 nan 0.0751 0.0004
80 0.6066 nan 0.0751 0.0003
100 0.5940 nan 0.0751 0.0002
120 0.5860 nan 0.0751 0.0001
140 0.5786 nan 0.0751 0.0001
160 0.5740 nan 0.0751 -0.0000
180 0.5687 nan 0.0751 0.0000
200 0.5639 nan 0.0751 -0.0000
220 0.5601 nan 0.0751 -0.0000
225 0.5592 nan 0.0751 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0597 nan 0.0773 0.0207
2 1.0255 nan 0.0773 0.0171
3 0.9954 nan 0.0773 0.0150
4 0.9694 nan 0.0773 0.0129
5 0.9414 nan 0.0773 0.0138
6 0.9217 nan 0.0773 0.0096
7 0.9007 nan 0.0773 0.0103
8 0.8824 nan 0.0773 0.0092
9 0.8684 nan 0.0773 0.0070
10 0.8540 nan 0.0773 0.0072
20 0.7715 nan 0.0773 0.0024
40 0.6919 nan 0.0773 0.0012
60 0.6574 nan 0.0773 0.0006
80 0.6370 nan 0.0773 0.0004
100 0.6245 nan 0.0773 0.0001
120 0.6161 nan 0.0773 0.0001
140 0.6093 nan 0.0773 0.0000
160 0.6046 nan 0.0773 -0.0000
180 0.6009 nan 0.0773 0.0000
200 0.5970 nan 0.0773 -0.0000
220 0.5938 nan 0.0773 -0.0000
240 0.5905 nan 0.0773 -0.0000
260 0.5882 nan 0.0773 -0.0000
280 0.5858 nan 0.0773 0.0001
300 0.5839 nan 0.0773 -0.0001
320 0.5821 nan 0.0773 0.0000
340 0.5802 nan 0.0773 -0.0000
360 0.5789 nan 0.0773 -0.0000
380 0.5775 nan 0.0773 -0.0000
400 0.5760 nan 0.0773 -0.0001
420 0.5749 nan 0.0773 -0.0001
440 0.5736 nan 0.0773 -0.0000
460 0.5724 nan 0.0773 0.0000
480 0.5709 nan 0.0773 -0.0000
500 0.5696 nan 0.0773 -0.0000
520 0.5684 nan 0.0773 -0.0000
540 0.5675 nan 0.0773 -0.0001
560 0.5669 nan 0.0773 -0.0001
580 0.5658 nan 0.0773 0.0001
600 0.5651 nan 0.0773 -0.0000
606 0.5648 nan 0.0773 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0697 nan 0.0774 0.0152
2 1.0441 nan 0.0774 0.0129
3 1.0225 nan 0.0774 0.0110
4 1.0036 nan 0.0774 0.0092
5 0.9849 nan 0.0774 0.0093
6 0.9714 nan 0.0774 0.0069
7 0.9556 nan 0.0774 0.0078
8 0.9449 nan 0.0774 0.0052
9 0.9314 nan 0.0774 0.0066
10 0.9189 nan 0.0774 0.0060
20 0.8390 nan 0.0774 0.0032
40 0.7570 nan 0.0774 0.0012
60 0.7130 nan 0.0774 0.0007
80 0.6849 nan 0.0774 0.0006
100 0.6655 nan 0.0774 0.0004
120 0.6526 nan 0.0774 0.0002
140 0.6420 nan 0.0774 0.0003
160 0.6360 nan 0.0774 0.0001
180 0.6303 nan 0.0774 0.0001
200 0.6250 nan 0.0774 0.0000
220 0.6212 nan 0.0774 0.0001
240 0.6181 nan 0.0774 0.0000
260 0.6148 nan 0.0774 -0.0000
280 0.6120 nan 0.0774 0.0000
300 0.6095 nan 0.0774 0.0000
320 0.6075 nan 0.0774 0.0000
340 0.6057 nan 0.0774 0.0000
360 0.6033 nan 0.0774 -0.0000
380 0.6017 nan 0.0774 -0.0000
400 0.6002 nan 0.0774 -0.0000
420 0.5985 nan 0.0774 -0.0000
440 0.5971 nan 0.0774 -0.0000
460 0.5962 nan 0.0774 -0.0000
480 0.5951 nan 0.0774 0.0001
500 0.5939 nan 0.0774 0.0000
520 0.5925 nan 0.0774 -0.0000
540 0.5915 nan 0.0774 -0.0000
560 0.5909 nan 0.0774 -0.0000
580 0.5900 nan 0.0774 -0.0000
600 0.5894 nan 0.0774 -0.0000
620 0.5886 nan 0.0774 -0.0000
640 0.5879 nan 0.0774 -0.0000
660 0.5873 nan 0.0774 -0.0000
680 0.5866 nan 0.0774 -0.0000
700 0.5861 nan 0.0774 -0.0000
720 0.5854 nan 0.0774 -0.0000
735 0.5849 nan 0.0774 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0449 nan 0.0790 0.0274
2 1.0012 nan 0.0790 0.0217
3 0.9649 nan 0.0790 0.0183
4 0.9349 nan 0.0790 0.0152
5 0.9084 nan 0.0790 0.0128
6 0.8846 nan 0.0790 0.0121
7 0.8649 nan 0.0790 0.0097
8 0.8468 nan 0.0790 0.0090
9 0.8302 nan 0.0790 0.0082
10 0.8152 nan 0.0790 0.0074
20 0.7223 nan 0.0790 0.0032
40 0.6496 nan 0.0790 0.0011
60 0.6202 nan 0.0790 0.0004
80 0.6035 nan 0.0790 0.0003
100 0.5941 nan 0.0790 0.0000
120 0.5861 nan 0.0790 0.0000
140 0.5801 nan 0.0790 -0.0000
160 0.5759 nan 0.0790 -0.0000
180 0.5719 nan 0.0790 -0.0000
200 0.5684 nan 0.0790 -0.0001
220 0.5651 nan 0.0790 -0.0001
240 0.5619 nan 0.0790 -0.0000
260 0.5594 nan 0.0790 -0.0001
280 0.5569 nan 0.0790 -0.0000
300 0.5547 nan 0.0790 -0.0000
320 0.5526 nan 0.0790 -0.0001
340 0.5506 nan 0.0790 -0.0000
360 0.5483 nan 0.0790 -0.0000
380 0.5468 nan 0.0790 -0.0000
388 0.5458 nan 0.0790 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0574 nan 0.0803 0.0216
2 1.0220 nan 0.0803 0.0173
3 0.9912 nan 0.0803 0.0154
4 0.9651 nan 0.0803 0.0130
5 0.9371 nan 0.0803 0.0137
6 0.9175 nan 0.0803 0.0095
7 0.8961 nan 0.0803 0.0107
8 0.8776 nan 0.0803 0.0091
9 0.8630 nan 0.0803 0.0070
10 0.8485 nan 0.0803 0.0074
20 0.7664 nan 0.0803 0.0027
40 0.6883 nan 0.0803 0.0015
60 0.6527 nan 0.0803 0.0007
80 0.6344 nan 0.0803 0.0002
100 0.6235 nan 0.0803 0.0002
120 0.6155 nan 0.0803 0.0001
140 0.6100 nan 0.0803 0.0001
160 0.6042 nan 0.0803 0.0001
180 0.6000 nan 0.0803 -0.0001
200 0.5963 nan 0.0803 0.0000
220 0.5929 nan 0.0803 -0.0000
240 0.5896 nan 0.0803 0.0000
260 0.5871 nan 0.0803 -0.0000
270 0.5858 nan 0.0803 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0503 nan 0.0808 0.0250
2 1.0095 nan 0.0808 0.0200
3 0.9726 nan 0.0808 0.0184
4 0.9437 nan 0.0808 0.0143
5 0.9181 nan 0.0808 0.0127
6 0.8950 nan 0.0808 0.0112
7 0.8750 nan 0.0808 0.0099
8 0.8555 nan 0.0808 0.0095
9 0.8390 nan 0.0808 0.0083
10 0.8239 nan 0.0808 0.0074
20 0.7392 nan 0.0808 0.0026
40 0.6636 nan 0.0808 0.0014
60 0.6327 nan 0.0808 0.0004
80 0.6158 nan 0.0808 0.0002
100 0.6056 nan 0.0808 0.0002
120 0.5969 nan 0.0808 0.0001
140 0.5908 nan 0.0808 0.0000
160 0.5860 nan 0.0808 0.0000
180 0.5810 nan 0.0808 0.0003
200 0.5768 nan 0.0808 0.0001
220 0.5742 nan 0.0808 -0.0000
240 0.5717 nan 0.0808 0.0000
260 0.5689 nan 0.0808 -0.0000
280 0.5657 nan 0.0808 0.0001
300 0.5630 nan 0.0808 0.0000
320 0.5612 nan 0.0808 -0.0001
340 0.5596 nan 0.0808 -0.0001
360 0.5581 nan 0.0808 -0.0001
380 0.5561 nan 0.0808 -0.0000
400 0.5545 nan 0.0808 0.0002
420 0.5530 nan 0.0808 -0.0001
440 0.5516 nan 0.0808 -0.0000
460 0.5501 nan 0.0808 -0.0001
480 0.5477 nan 0.0808 -0.0000
500 0.5464 nan 0.0808 0.0001
520 0.5449 nan 0.0808 -0.0001
540 0.5439 nan 0.0808 -0.0000
560 0.5424 nan 0.0808 -0.0001
580 0.5414 nan 0.0808 -0.0001
600 0.5402 nan 0.0808 -0.0001
620 0.5387 nan 0.0808 -0.0001
640 0.5378 nan 0.0808 -0.0001
660 0.5367 nan 0.0808 -0.0001
680 0.5357 nan 0.0808 -0.0001
700 0.5347 nan 0.0808 -0.0000
720 0.5338 nan 0.0808 -0.0001
723 0.5337 nan 0.0808 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0490 nan 0.0838 0.0257
2 1.0073 nan 0.0838 0.0211
3 0.9717 nan 0.0838 0.0175
4 0.9406 nan 0.0838 0.0156
5 0.9141 nan 0.0838 0.0132
6 0.8881 nan 0.0838 0.0129
7 0.8666 nan 0.0838 0.0107
8 0.8477 nan 0.0838 0.0094
9 0.8324 nan 0.0838 0.0073
10 0.8203 nan 0.0838 0.0059
20 0.7357 nan 0.0838 0.0025
40 0.6597 nan 0.0838 0.0008
60 0.6313 nan 0.0838 0.0007
80 0.6155 nan 0.0838 0.0002
100 0.6058 nan 0.0838 0.0000
120 0.5986 nan 0.0838 -0.0000
123 0.5978 nan 0.0838 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0400 nan 0.0840 0.0304
2 0.9919 nan 0.0840 0.0236
3 0.9529 nan 0.0840 0.0191
4 0.9194 nan 0.0840 0.0164
5 0.8911 nan 0.0840 0.0141
6 0.8661 nan 0.0840 0.0124
7 0.8458 nan 0.0840 0.0103
8 0.8271 nan 0.0840 0.0093
9 0.8110 nan 0.0840 0.0077
10 0.7962 nan 0.0840 0.0074
20 0.7026 nan 0.0840 0.0032
40 0.6347 nan 0.0840 0.0009
60 0.6078 nan 0.0840 0.0002
80 0.5927 nan 0.0840 0.0000
100 0.5819 nan 0.0840 0.0000
120 0.5748 nan 0.0840 0.0002
140 0.5684 nan 0.0840 -0.0000
160 0.5631 nan 0.0840 -0.0001
180 0.5592 nan 0.0840 -0.0001
200 0.5556 nan 0.0840 -0.0001
220 0.5530 nan 0.0840 -0.0000
240 0.5499 nan 0.0840 -0.0001
260 0.5473 nan 0.0840 -0.0001
280 0.5448 nan 0.0840 -0.0001
300 0.5429 nan 0.0840 -0.0000
320 0.5408 nan 0.0840 -0.0001
340 0.5382 nan 0.0840 -0.0001
360 0.5361 nan 0.0840 -0.0001
380 0.5342 nan 0.0840 -0.0001
400 0.5321 nan 0.0840 -0.0000
420 0.5302 nan 0.0840 -0.0000
440 0.5282 nan 0.0840 -0.0001
460 0.5263 nan 0.0840 -0.0001
480 0.5249 nan 0.0840 -0.0000
500 0.5231 nan 0.0840 -0.0002
520 0.5215 nan 0.0840 -0.0001
540 0.5200 nan 0.0840 -0.0001
560 0.5184 nan 0.0840 -0.0001
580 0.5168 nan 0.0840 -0.0000
600 0.5154 nan 0.0840 -0.0001
620 0.5137 nan 0.0840 -0.0001
640 0.5124 nan 0.0840 -0.0002
660 0.5113 nan 0.0840 -0.0001
680 0.5100 nan 0.0840 -0.0001
700 0.5087 nan 0.0840 -0.0001
720 0.5076 nan 0.0840 -0.0001
740 0.5061 nan 0.0840 -0.0000
760 0.5049 nan 0.0840 -0.0001
780 0.5036 nan 0.0840 -0.0000
800 0.5022 nan 0.0840 -0.0001
820 0.5012 nan 0.0840 -0.0001
840 0.5001 nan 0.0840 -0.0001
860 0.4992 nan 0.0840 -0.0001
880 0.4977 nan 0.0840 -0.0001
900 0.4965 nan 0.0840 -0.0001
920 0.4953 nan 0.0840 -0.0001
939 0.4943 nan 0.0840 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0400 nan 0.0873 0.0301
2 0.9931 nan 0.0873 0.0229
3 0.9537 nan 0.0873 0.0195
4 0.9213 nan 0.0873 0.0162
5 0.8943 nan 0.0873 0.0130
6 0.8711 nan 0.0873 0.0114
7 0.8509 nan 0.0873 0.0103
8 0.8329 nan 0.0873 0.0090
9 0.8178 nan 0.0873 0.0074
10 0.8033 nan 0.0873 0.0070
20 0.7113 nan 0.0873 0.0031
40 0.6418 nan 0.0873 0.0006
60 0.6128 nan 0.0873 0.0003
80 0.5971 nan 0.0873 0.0001
100 0.5851 nan 0.0873 0.0001
120 0.5785 nan 0.0873 -0.0000
140 0.5724 nan 0.0873 0.0001
160 0.5681 nan 0.0873 0.0000
180 0.5647 nan 0.0873 -0.0000
200 0.5604 nan 0.0873 -0.0000
220 0.5571 nan 0.0873 -0.0001
240 0.5538 nan 0.0873 -0.0001
260 0.5502 nan 0.0873 -0.0000
280 0.5475 nan 0.0873 -0.0001
300 0.5446 nan 0.0873 -0.0001
320 0.5412 nan 0.0873 -0.0000
340 0.5389 nan 0.0873 -0.0001
360 0.5366 nan 0.0873 -0.0000
380 0.5337 nan 0.0873 -0.0001
400 0.5314 nan 0.0873 -0.0001
420 0.5286 nan 0.0873 -0.0000
440 0.5268 nan 0.0873 -0.0001
442 0.5266 nan 0.0873 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0530 nan 0.0888 0.0241
2 1.0143 nan 0.0888 0.0195
3 0.9812 nan 0.0888 0.0162
4 0.9546 nan 0.0888 0.0132
5 0.9253 nan 0.0888 0.0147
6 0.9054 nan 0.0888 0.0096
7 0.8838 nan 0.0888 0.0112
8 0.8653 nan 0.0888 0.0092
9 0.8494 nan 0.0888 0.0080
10 0.8374 nan 0.0888 0.0060
20 0.7530 nan 0.0888 0.0031
40 0.6793 nan 0.0888 0.0013
60 0.6456 nan 0.0888 0.0006
80 0.6297 nan 0.0888 0.0003
100 0.6182 nan 0.0888 0.0002
120 0.6103 nan 0.0888 0.0002
140 0.6039 nan 0.0888 0.0001
160 0.5989 nan 0.0888 0.0000
180 0.5950 nan 0.0888 0.0001
200 0.5908 nan 0.0888 0.0000
220 0.5875 nan 0.0888 0.0000
240 0.5847 nan 0.0888 0.0000
260 0.5826 nan 0.0888 -0.0001
280 0.5803 nan 0.0888 -0.0000
300 0.5783 nan 0.0888 0.0001
320 0.5763 nan 0.0888 -0.0000
340 0.5742 nan 0.0888 0.0001
346 0.5738 nan 0.0888 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0379 nan 0.0896 0.0302
2 0.9905 nan 0.0896 0.0240
3 0.9512 nan 0.0896 0.0197
4 0.9172 nan 0.0896 0.0169
5 0.8894 nan 0.0896 0.0141
6 0.8667 nan 0.0896 0.0113
7 0.8471 nan 0.0896 0.0098
8 0.8300 nan 0.0896 0.0084
9 0.8134 nan 0.0896 0.0082
10 0.7996 nan 0.0896 0.0068
20 0.7089 nan 0.0896 0.0027
40 0.6421 nan 0.0896 0.0005
60 0.6128 nan 0.0896 0.0002
80 0.5994 nan 0.0896 0.0001
100 0.5891 nan 0.0896 -0.0000
120 0.5804 nan 0.0896 0.0001
140 0.5748 nan 0.0896 0.0000
160 0.5689 nan 0.0896 -0.0001
180 0.5645 nan 0.0896 -0.0001
200 0.5608 nan 0.0896 -0.0001
220 0.5571 nan 0.0896 -0.0000
240 0.5546 nan 0.0896 -0.0001
256 0.5523 nan 0.0896 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0388 nan 0.0902 0.0312
2 0.9904 nan 0.0902 0.0246
3 0.9511 nan 0.0902 0.0194
4 0.9177 nan 0.0902 0.0167
5 0.8910 nan 0.0902 0.0134
6 0.8673 nan 0.0902 0.0119
7 0.8465 nan 0.0902 0.0104
8 0.8282 nan 0.0902 0.0094
9 0.8129 nan 0.0902 0.0075
10 0.7989 nan 0.0902 0.0070
20 0.7052 nan 0.0902 0.0023
40 0.6403 nan 0.0902 0.0008
60 0.6147 nan 0.0902 0.0004
80 0.6002 nan 0.0902 0.0004
100 0.5908 nan 0.0902 0.0001
120 0.5841 nan 0.0902 0.0003
140 0.5789 nan 0.0902 -0.0001
160 0.5743 nan 0.0902 -0.0000
180 0.5707 nan 0.0902 0.0000
200 0.5676 nan 0.0902 0.0001
220 0.5646 nan 0.0902 -0.0000
240 0.5616 nan 0.0902 0.0000
260 0.5593 nan 0.0902 -0.0001
280 0.5568 nan 0.0902 -0.0000
300 0.5548 nan 0.0902 -0.0001
320 0.5530 nan 0.0902 -0.0001
340 0.5515 nan 0.0902 -0.0000
360 0.5495 nan 0.0902 0.0000
380 0.5481 nan 0.0902 -0.0001
400 0.5463 nan 0.0902 -0.0001
420 0.5446 nan 0.0902 -0.0001
440 0.5434 nan 0.0902 -0.0001
460 0.5422 nan 0.0902 -0.0001
480 0.5409 nan 0.0902 -0.0001
500 0.5399 nan 0.0902 -0.0001
520 0.5384 nan 0.0902 -0.0001
540 0.5368 nan 0.0902 -0.0001
560 0.5356 nan 0.0902 -0.0000
580 0.5342 nan 0.0902 -0.0001
600 0.5328 nan 0.0902 -0.0001
620 0.5317 nan 0.0902 -0.0001
640 0.5303 nan 0.0902 0.0000
648 0.5299 nan 0.0902 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0410 nan 0.0960 0.0291
2 0.9923 nan 0.0960 0.0245
3 0.9553 nan 0.0960 0.0183
4 0.9221 nan 0.0960 0.0163
5 0.8954 nan 0.0960 0.0133
6 0.8692 nan 0.0960 0.0126
7 0.8468 nan 0.0960 0.0113
8 0.8283 nan 0.0960 0.0092
9 0.8141 nan 0.0960 0.0068
10 0.7995 nan 0.0960 0.0072
20 0.7165 nan 0.0960 0.0021
40 0.6502 nan 0.0960 0.0009
60 0.6233 nan 0.0960 0.0002
80 0.6070 nan 0.0960 0.0003
100 0.5975 nan 0.0960 0.0003
120 0.5900 nan 0.0960 0.0000
140 0.5839 nan 0.0960 0.0000
160 0.5794 nan 0.0960 -0.0000
180 0.5742 nan 0.0960 0.0000
200 0.5707 nan 0.0960 0.0000
220 0.5667 nan 0.0960 -0.0000
240 0.5643 nan 0.0960 -0.0000
260 0.5620 nan 0.0960 -0.0000
280 0.5596 nan 0.0960 -0.0001
300 0.5566 nan 0.0960 -0.0001
320 0.5540 nan 0.0960 -0.0001
340 0.5521 nan 0.0960 -0.0000
360 0.5506 nan 0.0960 -0.0001
380 0.5487 nan 0.0960 -0.0001
400 0.5467 nan 0.0960 -0.0000
420 0.5445 nan 0.0960 -0.0000
440 0.5431 nan 0.0960 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0634 nan 0.0965 0.0189
2 1.0325 nan 0.0965 0.0154
3 1.0068 nan 0.0965 0.0125
4 0.9843 nan 0.0965 0.0112
5 0.9643 nan 0.0965 0.0100
6 0.9489 nan 0.0965 0.0078
7 0.9326 nan 0.0965 0.0077
8 0.9170 nan 0.0965 0.0080
9 0.9058 nan 0.0965 0.0056
10 0.8924 nan 0.0965 0.0066
20 0.8096 nan 0.0965 0.0029
40 0.7320 nan 0.0965 0.0016
60 0.6901 nan 0.0965 0.0009
80 0.6644 nan 0.0965 0.0004
100 0.6495 nan 0.0965 0.0001
120 0.6396 nan 0.0965 0.0001
140 0.6316 nan 0.0965 0.0001
160 0.6255 nan 0.0965 0.0001
180 0.6198 nan 0.0965 0.0001
200 0.6158 nan 0.0965 0.0001
220 0.6123 nan 0.0965 -0.0000
240 0.6094 nan 0.0965 0.0000
260 0.6066 nan 0.0965 -0.0000
280 0.6039 nan 0.0965 0.0001
300 0.6014 nan 0.0965 -0.0000
320 0.5994 nan 0.0965 -0.0000
340 0.5980 nan 0.0965 -0.0000
360 0.5968 nan 0.0965 -0.0000
380 0.5955 nan 0.0965 -0.0000
400 0.5941 nan 0.0965 -0.0000
420 0.5928 nan 0.0965 -0.0000
440 0.5915 nan 0.0965 0.0000
460 0.5905 nan 0.0965 -0.0000
480 0.5896 nan 0.0965 -0.0000
500 0.5889 nan 0.0965 -0.0000
520 0.5879 nan 0.0965 -0.0001
540 0.5871 nan 0.0965 -0.0000
560 0.5864 nan 0.0965 -0.0000
580 0.5859 nan 0.0965 -0.0000
600 0.5852 nan 0.0965 -0.0000
620 0.5847 nan 0.0965 -0.0000
640 0.5841 nan 0.0965 -0.0000
660 0.5836 nan 0.0965 -0.0001
680 0.5828 nan 0.0965 -0.0000
700 0.5821 nan 0.0965 -0.0001
720 0.5815 nan 0.0965 -0.0001
740 0.5810 nan 0.0965 -0.0000
759 0.5807 nan 0.0965 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0399 nan 0.0983 0.0297
2 0.9927 nan 0.0983 0.0228
3 0.9511 nan 0.0983 0.0205
4 0.9188 nan 0.0983 0.0162
5 0.8917 nan 0.0983 0.0137
6 0.8686 nan 0.0983 0.0115
7 0.8461 nan 0.0983 0.0112
8 0.8274 nan 0.0983 0.0095
9 0.8112 nan 0.0983 0.0082
10 0.7987 nan 0.0983 0.0060
20 0.7137 nan 0.0983 0.0021
40 0.6462 nan 0.0983 0.0009
60 0.6192 nan 0.0983 0.0002
80 0.6054 nan 0.0983 0.0001
100 0.5954 nan 0.0983 0.0000
120 0.5883 nan 0.0983 0.0001
140 0.5826 nan 0.0983 -0.0000
160 0.5769 nan 0.0983 -0.0000
180 0.5715 nan 0.0983 -0.0000
200 0.5683 nan 0.0983 -0.0000
220 0.5658 nan 0.0983 -0.0000
240 0.5626 nan 0.0983 0.0000
260 0.5604 nan 0.0983 -0.0001
280 0.5582 nan 0.0983 -0.0000
300 0.5554 nan 0.0983 -0.0000
320 0.5526 nan 0.0983 -0.0000
336 0.5503 nan 0.0983 0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0616 nan 0.1014 0.0198
2 1.0293 nan 0.1014 0.0159
3 1.0048 nan 0.1014 0.0122
4 0.9798 nan 0.1014 0.0125
5 0.9635 nan 0.1014 0.0081
6 0.9436 nan 0.1014 0.0101
7 0.9272 nan 0.1014 0.0081
8 0.9110 nan 0.1014 0.0081
9 0.9000 nan 0.1014 0.0055
10 0.8875 nan 0.1014 0.0061
20 0.8030 nan 0.1014 0.0027
40 0.7266 nan 0.1014 0.0011
60 0.6859 nan 0.1014 0.0008
80 0.6623 nan 0.1014 0.0003
100 0.6447 nan 0.1014 0.0002
120 0.6352 nan 0.1014 0.0001
140 0.6281 nan 0.1014 0.0001
160 0.6228 nan 0.1014 0.0000
180 0.6181 nan 0.1014 -0.0000
200 0.6135 nan 0.1014 0.0000
220 0.6108 nan 0.1014 -0.0000
240 0.6081 nan 0.1014 0.0000
260 0.6051 nan 0.1014 0.0000
280 0.6033 nan 0.1014 0.0000
300 0.6015 nan 0.1014 -0.0000
320 0.5996 nan 0.1014 0.0000
340 0.5984 nan 0.1014 -0.0000
360 0.5968 nan 0.1014 -0.0000
380 0.5958 nan 0.1014 -0.0000
400 0.5943 nan 0.1014 -0.0000
420 0.5933 nan 0.1014 -0.0000
440 0.5923 nan 0.1014 0.0000
460 0.5916 nan 0.1014 -0.0000
480 0.5906 nan 0.1014 -0.0000
500 0.5896 nan 0.1014 -0.0000
520 0.5888 nan 0.1014 -0.0000
540 0.5880 nan 0.1014 -0.0000
560 0.5874 nan 0.1014 -0.0000
580 0.5869 nan 0.1014 -0.0000
600 0.5863 nan 0.1014 -0.0000
620 0.5857 nan 0.1014 -0.0000
640 0.5852 nan 0.1014 -0.0000
660 0.5848 nan 0.1014 -0.0001
680 0.5844 nan 0.1014 -0.0000
700 0.5840 nan 0.1014 -0.0000
720 0.5833 nan 0.1014 -0.0000
740 0.5830 nan 0.1014 -0.0000
760 0.5827 nan 0.1014 -0.0001
780 0.5824 nan 0.1014 -0.0000
800 0.5820 nan 0.1014 -0.0000
820 0.5816 nan 0.1014 -0.0000
840 0.5812 nan 0.1014 -0.0000
860 0.5810 nan 0.1014 -0.0000
880 0.5806 nan 0.1014 0.0000
896 0.5803 nan 0.1014 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0386 nan 0.1018 0.0308
2 0.9878 nan 0.1018 0.0253
3 0.9474 nan 0.1018 0.0197
4 0.9145 nan 0.1018 0.0163
5 0.8833 nan 0.1018 0.0156
6 0.8603 nan 0.1018 0.0113
7 0.8419 nan 0.1018 0.0090
8 0.8247 nan 0.1018 0.0084
9 0.8080 nan 0.1018 0.0084
10 0.7930 nan 0.1018 0.0073
20 0.7124 nan 0.1018 0.0028
40 0.6442 nan 0.1018 0.0006
60 0.6184 nan 0.1018 0.0003
80 0.6042 nan 0.1018 0.0004
100 0.5953 nan 0.1018 0.0000
120 0.5877 nan 0.1018 0.0001
140 0.5814 nan 0.1018 0.0002
160 0.5771 nan 0.1018 -0.0000
180 0.5733 nan 0.1018 -0.0000
200 0.5701 nan 0.1018 0.0000
220 0.5671 nan 0.1018 -0.0000
240 0.5645 nan 0.1018 -0.0000
260 0.5618 nan 0.1018 -0.0000
280 0.5595 nan 0.1018 0.0000
300 0.5574 nan 0.1018 -0.0000
302 0.5572 nan 0.1018 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0465 nan 0.1024 0.0274
2 1.0051 nan 0.1024 0.0206
3 0.9686 nan 0.1024 0.0183
4 0.9335 nan 0.1024 0.0180
5 0.9088 nan 0.1024 0.0124
6 0.8833 nan 0.1024 0.0128
7 0.8648 nan 0.1024 0.0089
8 0.8459 nan 0.1024 0.0095
9 0.8316 nan 0.1024 0.0071
10 0.8174 nan 0.1024 0.0070
20 0.7364 nan 0.1024 0.0033
40 0.6668 nan 0.1024 0.0013
60 0.6375 nan 0.1024 0.0004
80 0.6227 nan 0.1024 0.0001
100 0.6123 nan 0.1024 0.0002
120 0.6041 nan 0.1024 0.0000
140 0.5983 nan 0.1024 0.0000
160 0.5936 nan 0.1024 0.0000
180 0.5892 nan 0.1024 0.0000
200 0.5855 nan 0.1024 -0.0000
220 0.5817 nan 0.1024 0.0000
240 0.5788 nan 0.1024 -0.0000
260 0.5764 nan 0.1024 -0.0000
280 0.5736 nan 0.1024 -0.0000
300 0.5719 nan 0.1024 -0.0000
320 0.5690 nan 0.1024 -0.0000
340 0.5672 nan 0.1024 0.0000
360 0.5659 nan 0.1024 -0.0000
380 0.5646 nan 0.1024 -0.0001
400 0.5626 nan 0.1024 0.0000
420 0.5610 nan 0.1024 -0.0001
440 0.5600 nan 0.1024 -0.0000
460 0.5588 nan 0.1024 -0.0000
480 0.5574 nan 0.1024 -0.0001
500 0.5566 nan 0.1024 0.0000
520 0.5552 nan 0.1024 -0.0001
540 0.5544 nan 0.1024 -0.0001
560 0.5535 nan 0.1024 -0.0001
580 0.5524 nan 0.1024 -0.0000
600 0.5515 nan 0.1024 -0.0001
620 0.5504 nan 0.1024 0.0000
640 0.5492 nan 0.1024 -0.0001
660 0.5484 nan 0.1024 -0.0000
680 0.5475 nan 0.1024 -0.0001
700 0.5469 nan 0.1024 -0.0001
720 0.5463 nan 0.1024 -0.0001
740 0.5452 nan 0.1024 -0.0001
760 0.5440 nan 0.1024 -0.0000
780 0.5430 nan 0.1024 -0.0000
800 0.5423 nan 0.1024 -0.0001
820 0.5415 nan 0.1024 -0.0000
840 0.5408 nan 0.1024 -0.0000
851 0.5405 nan 0.1024 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0361 nan 0.1035 0.0317
2 0.9857 nan 0.1035 0.0259
3 0.9447 nan 0.1035 0.0201
4 0.9121 nan 0.1035 0.0162
5 0.8862 nan 0.1035 0.0127
6 0.8598 nan 0.1035 0.0132
7 0.8370 nan 0.1035 0.0112
8 0.8177 nan 0.1035 0.0096
9 0.8030 nan 0.1035 0.0070
10 0.7882 nan 0.1035 0.0073
20 0.7085 nan 0.1035 0.0027
40 0.6438 nan 0.1035 0.0007
60 0.6194 nan 0.1035 0.0002
80 0.6047 nan 0.1035 0.0001
100 0.5949 nan 0.1035 0.0000
120 0.5874 nan 0.1035 -0.0000
140 0.5807 nan 0.1035 0.0002
160 0.5764 nan 0.1035 -0.0000
180 0.5735 nan 0.1035 -0.0001
190 0.5714 nan 0.1035 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0378 nan 0.1036 0.0315
2 0.9856 nan 0.1036 0.0264
3 0.9458 nan 0.1036 0.0198
4 0.9127 nan 0.1036 0.0165
5 0.8862 nan 0.1036 0.0137
6 0.8616 nan 0.1036 0.0119
7 0.8411 nan 0.1036 0.0101
8 0.8217 nan 0.1036 0.0097
9 0.8071 nan 0.1036 0.0074
10 0.7956 nan 0.1036 0.0054
20 0.7117 nan 0.1036 0.0024
40 0.6441 nan 0.1036 0.0006
60 0.6185 nan 0.1036 0.0005
80 0.6019 nan 0.1036 0.0005
100 0.5936 nan 0.1036 -0.0000
120 0.5860 nan 0.1036 0.0000
140 0.5811 nan 0.1036 -0.0001
160 0.5765 nan 0.1036 0.0001
180 0.5726 nan 0.1036 0.0001
200 0.5698 nan 0.1036 -0.0000
220 0.5669 nan 0.1036 -0.0001
240 0.5637 nan 0.1036 -0.0001
260 0.5612 nan 0.1036 -0.0001
280 0.5589 nan 0.1036 -0.0001
300 0.5565 nan 0.1036 -0.0000
320 0.5549 nan 0.1036 -0.0001
340 0.5530 nan 0.1036 -0.0001
360 0.5498 nan 0.1036 -0.0001
380 0.5476 nan 0.1036 -0.0000
400 0.5457 nan 0.1036 -0.0001
420 0.5435 nan 0.1036 0.0002
440 0.5418 nan 0.1036 -0.0001
460 0.5400 nan 0.1036 -0.0001
480 0.5387 nan 0.1036 -0.0000
500 0.5375 nan 0.1036 -0.0001
520 0.5361 nan 0.1036 -0.0000
540 0.5348 nan 0.1036 -0.0001
560 0.5334 nan 0.1036 -0.0001
580 0.5321 nan 0.1036 -0.0001
600 0.5311 nan 0.1036 -0.0000
620 0.5298 nan 0.1036 -0.0001
640 0.5290 nan 0.1036 -0.0001
660 0.5277 nan 0.1036 -0.0001
677 0.5269 nan 0.1036 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0281 nan 0.1079 0.0360
2 0.9744 nan 0.1079 0.0279
3 0.9311 nan 0.1079 0.0216
4 0.8960 nan 0.1079 0.0173
5 0.8667 nan 0.1079 0.0137
6 0.8432 nan 0.1079 0.0118
7 0.8216 nan 0.1079 0.0106
8 0.8045 nan 0.1079 0.0083
9 0.7868 nan 0.1079 0.0087
10 0.7708 nan 0.1079 0.0078
20 0.6853 nan 0.1079 0.0034
40 0.6262 nan 0.1079 0.0006
60 0.6042 nan 0.1079 0.0002
80 0.5906 nan 0.1079 0.0000
100 0.5822 nan 0.1079 -0.0000
120 0.5759 nan 0.1079 -0.0001
140 0.5712 nan 0.1079 -0.0001
160 0.5666 nan 0.1079 -0.0001
180 0.5623 nan 0.1079 -0.0000
200 0.5590 nan 0.1079 -0.0001
220 0.5566 nan 0.1079 -0.0001
240 0.5531 nan 0.1079 0.0000
260 0.5501 nan 0.1079 -0.0001
280 0.5475 nan 0.1079 -0.0001
300 0.5455 nan 0.1079 -0.0002
320 0.5433 nan 0.1079 -0.0000
340 0.5410 nan 0.1079 -0.0000
360 0.5394 nan 0.1079 -0.0001
380 0.5376 nan 0.1079 -0.0001
400 0.5358 nan 0.1079 -0.0001
419 0.5344 nan 0.1079 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0350 nan 0.1099 0.0329
2 0.9821 nan 0.1099 0.0264
3 0.9410 nan 0.1099 0.0212
4 0.9062 nan 0.1099 0.0174
5 0.8746 nan 0.1099 0.0154
6 0.8521 nan 0.1099 0.0111
7 0.8296 nan 0.1099 0.0113
8 0.8132 nan 0.1099 0.0080
9 0.7965 nan 0.1099 0.0085
10 0.7841 nan 0.1099 0.0058
20 0.7016 nan 0.1099 0.0027
40 0.6372 nan 0.1099 0.0011
60 0.6147 nan 0.1099 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0329 nan 0.1114 0.0340
2 0.9785 nan 0.1114 0.0275
3 0.9362 nan 0.1114 0.0205
4 0.9028 nan 0.1114 0.0166
5 0.8746 nan 0.1114 0.0141
6 0.8489 nan 0.1114 0.0129
7 0.8271 nan 0.1114 0.0109
8 0.8110 nan 0.1114 0.0078
9 0.7935 nan 0.1114 0.0087
10 0.7781 nan 0.1114 0.0074
20 0.6988 nan 0.1114 0.0024
40 0.6382 nan 0.1114 0.0008
60 0.6155 nan 0.1114 0.0000
80 0.6020 nan 0.1114 0.0001
100 0.5920 nan 0.1114 -0.0000
120 0.5850 nan 0.1114 0.0000
140 0.5803 nan 0.1114 -0.0000
160 0.5756 nan 0.1114 0.0001
180 0.5721 nan 0.1114 -0.0000
200 0.5687 nan 0.1114 -0.0001
220 0.5662 nan 0.1114 -0.0001
240 0.5638 nan 0.1114 -0.0000
260 0.5613 nan 0.1114 -0.0000
280 0.5594 nan 0.1114 -0.0001
300 0.5576 nan 0.1114 -0.0001
320 0.5555 nan 0.1114 -0.0001
340 0.5539 nan 0.1114 -0.0001
360 0.5522 nan 0.1114 -0.0000
380 0.5505 nan 0.1114 -0.0001
400 0.5490 nan 0.1114 -0.0001
420 0.5479 nan 0.1114 -0.0001
440 0.5467 nan 0.1114 -0.0001
460 0.5452 nan 0.1114 0.0000
480 0.5440 nan 0.1114 -0.0000
500 0.5426 nan 0.1114 -0.0000
520 0.5413 nan 0.1114 -0.0000
540 0.5401 nan 0.1114 -0.0000
560 0.5389 nan 0.1114 -0.0001
580 0.5376 nan 0.1114 -0.0001
600 0.5369 nan 0.1114 -0.0001
620 0.5358 nan 0.1114 -0.0001
640 0.5349 nan 0.1114 -0.0001
660 0.5339 nan 0.1114 -0.0000
680 0.5332 nan 0.1114 -0.0001
685 0.5330 nan 0.1114 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0575 nan 0.1122 0.0218
2 1.0230 nan 0.1122 0.0171
3 0.9967 nan 0.1122 0.0128
4 0.9710 nan 0.1122 0.0132
5 0.9538 nan 0.1122 0.0082
6 0.9333 nan 0.1122 0.0104
7 0.9153 nan 0.1122 0.0087
8 0.8989 nan 0.1122 0.0082
9 0.8877 nan 0.1122 0.0055
10 0.8743 nan 0.1122 0.0064
20 0.7916 nan 0.1122 0.0031
40 0.7164 nan 0.1122 0.0015
60 0.6764 nan 0.1122 0.0007
80 0.6540 nan 0.1122 0.0004
100 0.6405 nan 0.1122 0.0002
120 0.6323 nan 0.1122 0.0002
140 0.6252 nan 0.1122 0.0002
160 0.6197 nan 0.1122 0.0001
180 0.6145 nan 0.1122 0.0001
200 0.6108 nan 0.1122 -0.0000
220 0.6080 nan 0.1122 -0.0000
240 0.6053 nan 0.1122 0.0000
260 0.6025 nan 0.1122 -0.0000
280 0.6004 nan 0.1122 -0.0000
300 0.5984 nan 0.1122 0.0000
320 0.5966 nan 0.1122 0.0001
340 0.5951 nan 0.1122 -0.0001
360 0.5935 nan 0.1122 -0.0001
380 0.5921 nan 0.1122 -0.0000
400 0.5908 nan 0.1122 -0.0001
420 0.5898 nan 0.1122 -0.0001
440 0.5892 nan 0.1122 -0.0000
460 0.5881 nan 0.1122 -0.0000
480 0.5872 nan 0.1122 -0.0000
500 0.5864 nan 0.1122 -0.0001
520 0.5857 nan 0.1122 -0.0000
540 0.5851 nan 0.1122 -0.0000
560 0.5843 nan 0.1122 -0.0000
580 0.5836 nan 0.1122 -0.0000
600 0.5828 nan 0.1122 -0.0000
615 0.5823 nan 0.1122 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0358 nan 0.1211 0.0318
2 0.9874 nan 0.1211 0.0238
3 0.9497 nan 0.1211 0.0187
4 0.9119 nan 0.1211 0.0187
5 0.8824 nan 0.1211 0.0144
6 0.8614 nan 0.1211 0.0099
7 0.8418 nan 0.1211 0.0099
8 0.8260 nan 0.1211 0.0077
9 0.8098 nan 0.1211 0.0082
10 0.7972 nan 0.1211 0.0061
20 0.7149 nan 0.1211 0.0026
40 0.6528 nan 0.1211 0.0013
60 0.6295 nan 0.1211 0.0002
80 0.6163 nan 0.1211 0.0001
100 0.6067 nan 0.1211 0.0002
120 0.5988 nan 0.1211 0.0001
140 0.5935 nan 0.1211 0.0000
160 0.5890 nan 0.1211 0.0002
180 0.5860 nan 0.1211 -0.0000
200 0.5820 nan 0.1211 -0.0001
220 0.5795 nan 0.1211 -0.0001
240 0.5770 nan 0.1211 -0.0000
260 0.5750 nan 0.1211 -0.0001
280 0.5728 nan 0.1211 -0.0001
300 0.5701 nan 0.1211 -0.0001
320 0.5680 nan 0.1211 -0.0000
340 0.5661 nan 0.1211 -0.0000
360 0.5645 nan 0.1211 -0.0000
380 0.5632 nan 0.1211 -0.0001
400 0.5619 nan 0.1211 -0.0001
420 0.5608 nan 0.1211 -0.0001
440 0.5600 nan 0.1211 -0.0001
460 0.5587 nan 0.1211 -0.0001
480 0.5574 nan 0.1211 -0.0001
500 0.5566 nan 0.1211 -0.0001
520 0.5557 nan 0.1211 -0.0001
540 0.5545 nan 0.1211 -0.0001
560 0.5537 nan 0.1211 -0.0000
580 0.5527 nan 0.1211 -0.0000
600 0.5516 nan 0.1211 -0.0000
620 0.5508 nan 0.1211 0.0000
640 0.5499 nan 0.1211 -0.0000
660 0.5493 nan 0.1211 -0.0001
680 0.5488 nan 0.1211 -0.0001
700 0.5482 nan 0.1211 -0.0000
720 0.5476 nan 0.1211 -0.0001
740 0.5469 nan 0.1211 -0.0001
760 0.5461 nan 0.1211 -0.0001
780 0.5457 nan 0.1211 -0.0000
800 0.5450 nan 0.1211 -0.0001
820 0.5444 nan 0.1211 -0.0001
840 0.5440 nan 0.1211 -0.0001
848 0.5438 nan 0.1211 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0102 nan 0.1273 0.0453
2 0.9473 nan 0.1273 0.0313
3 0.8996 nan 0.1273 0.0231
4 0.8617 nan 0.1273 0.0189
5 0.8328 nan 0.1273 0.0146
6 0.8083 nan 0.1273 0.0120
7 0.7859 nan 0.1273 0.0109
8 0.7673 nan 0.1273 0.0093
9 0.7497 nan 0.1273 0.0088
10 0.7357 nan 0.1273 0.0069
20 0.6580 nan 0.1273 0.0020
40 0.6080 nan 0.1273 0.0004
60 0.5873 nan 0.1273 0.0003
80 0.5763 nan 0.1273 0.0000
100 0.5668 nan 0.1273 -0.0001
120 0.5601 nan 0.1273 -0.0001
140 0.5549 nan 0.1273 -0.0001
160 0.5505 nan 0.1273 -0.0001
180 0.5466 nan 0.1273 -0.0001
200 0.5437 nan 0.1273 -0.0002
220 0.5400 nan 0.1273 -0.0001
240 0.5369 nan 0.1273 -0.0001
260 0.5340 nan 0.1273 -0.0001
280 0.5314 nan 0.1273 -0.0001
300 0.5292 nan 0.1273 -0.0001
320 0.5268 nan 0.1273 -0.0001
340 0.5242 nan 0.1273 -0.0001
360 0.5219 nan 0.1273 -0.0001
380 0.5197 nan 0.1273 -0.0001
400 0.5179 nan 0.1273 -0.0001
420 0.5164 nan 0.1273 -0.0001
440 0.5143 nan 0.1273 -0.0002
460 0.5129 nan 0.1273 -0.0001
480 0.5109 nan 0.1273 -0.0001
500 0.5091 nan 0.1273 -0.0001
520 0.5073 nan 0.1273 -0.0001
540 0.5057 nan 0.1273 -0.0002
560 0.5039 nan 0.1273 -0.0002
580 0.5025 nan 0.1273 -0.0001
600 0.5007 nan 0.1273 -0.0001
620 0.4992 nan 0.1273 -0.0001
638 0.4982 nan 0.1273 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0256 nan 0.1282 0.0387
2 0.9665 nan 0.1282 0.0297
3 0.9211 nan 0.1282 0.0227
4 0.8849 nan 0.1282 0.0182
5 0.8574 nan 0.1282 0.0139
6 0.8330 nan 0.1282 0.0123
7 0.8116 nan 0.1282 0.0108
8 0.7933 nan 0.1282 0.0091
9 0.7799 nan 0.1282 0.0063
10 0.7665 nan 0.1282 0.0067
20 0.6865 nan 0.1282 0.0023
40 0.6287 nan 0.1282 0.0008
60 0.6076 nan 0.1282 0.0005
80 0.5956 nan 0.1282 -0.0000
100 0.5886 nan 0.1282 -0.0000
120 0.5809 nan 0.1282 0.0000
140 0.5763 nan 0.1282 0.0000
156 0.5733 nan 0.1282 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0136 nan 0.1284 0.0436
2 0.9528 nan 0.1284 0.0297
3 0.9060 nan 0.1284 0.0227
4 0.8686 nan 0.1284 0.0187
5 0.8408 nan 0.1284 0.0138
6 0.8162 nan 0.1284 0.0125
7 0.7971 nan 0.1284 0.0094
8 0.7780 nan 0.1284 0.0090
9 0.7629 nan 0.1284 0.0071
10 0.7482 nan 0.1284 0.0072
20 0.6683 nan 0.1284 0.0027
40 0.6179 nan 0.1284 0.0005
60 0.5974 nan 0.1284 0.0003
80 0.5853 nan 0.1284 0.0000
100 0.5778 nan 0.1284 -0.0000
120 0.5722 nan 0.1284 -0.0001
140 0.5673 nan 0.1284 -0.0000
160 0.5630 nan 0.1284 -0.0001
180 0.5592 nan 0.1284 -0.0001
200 0.5551 nan 0.1284 0.0000
220 0.5513 nan 0.1284 -0.0001
240 0.5490 nan 0.1284 -0.0001
260 0.5465 nan 0.1284 -0.0001
280 0.5436 nan 0.1284 -0.0001
300 0.5406 nan 0.1284 -0.0002
320 0.5393 nan 0.1284 -0.0001
340 0.5373 nan 0.1284 -0.0001
360 0.5352 nan 0.1284 -0.0001
380 0.5336 nan 0.1284 -0.0002
400 0.5316 nan 0.1284 -0.0001
420 0.5299 nan 0.1284 -0.0001
440 0.5287 nan 0.1284 -0.0001
460 0.5268 nan 0.1284 -0.0001
480 0.5253 nan 0.1284 -0.0001
500 0.5242 nan 0.1284 -0.0002
520 0.5222 nan 0.1284 -0.0001
540 0.5210 nan 0.1284 -0.0001
560 0.5197 nan 0.1284 -0.0001
580 0.5185 nan 0.1284 -0.0002
600 0.5170 nan 0.1284 -0.0001
620 0.5154 nan 0.1284 -0.0001
640 0.5142 nan 0.1284 -0.0001
660 0.5130 nan 0.1284 -0.0001
680 0.5121 nan 0.1284 -0.0001
700 0.5108 nan 0.1284 -0.0001
720 0.5098 nan 0.1284 -0.0001
740 0.5086 nan 0.1284 -0.0001
746 0.5082 nan 0.1284 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0110 nan 0.1297 0.0446
2 0.9448 nan 0.1297 0.0327
3 0.8972 nan 0.1297 0.0237
4 0.8605 nan 0.1297 0.0180
5 0.8312 nan 0.1297 0.0148
6 0.8071 nan 0.1297 0.0116
7 0.7868 nan 0.1297 0.0098
8 0.7679 nan 0.1297 0.0095
9 0.7500 nan 0.1297 0.0088
10 0.7373 nan 0.1297 0.0059
20 0.6554 nan 0.1297 0.0025
40 0.6049 nan 0.1297 0.0007
60 0.5839 nan 0.1297 0.0002
80 0.5742 nan 0.1297 -0.0001
100 0.5659 nan 0.1297 -0.0001
120 0.5588 nan 0.1297 -0.0000
140 0.5531 nan 0.1297 -0.0001
160 0.5487 nan 0.1297 -0.0001
180 0.5445 nan 0.1297 -0.0001
200 0.5408 nan 0.1297 -0.0001
220 0.5374 nan 0.1297 -0.0001
240 0.5342 nan 0.1297 -0.0000
260 0.5308 nan 0.1297 -0.0002
280 0.5276 nan 0.1297 -0.0000
300 0.5247 nan 0.1297 -0.0001
320 0.5220 nan 0.1297 -0.0001
340 0.5195 nan 0.1297 -0.0000
360 0.5175 nan 0.1297 -0.0000
380 0.5154 nan 0.1297 -0.0001
400 0.5126 nan 0.1297 -0.0001
420 0.5105 nan 0.1297 -0.0002
440 0.5085 nan 0.1297 -0.0001
460 0.5061 nan 0.1297 -0.0002
480 0.5040 nan 0.1297 -0.0001
500 0.5021 nan 0.1297 -0.0002
509 0.5011 nan 0.1297 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0313 nan 0.1319 0.0342
2 0.9801 nan 0.1319 0.0265
3 0.9403 nan 0.1319 0.0201
4 0.9008 nan 0.1319 0.0199
5 0.8710 nan 0.1319 0.0149
6 0.8518 nan 0.1319 0.0096
7 0.8335 nan 0.1319 0.0090
8 0.8147 nan 0.1319 0.0096
9 0.7990 nan 0.1319 0.0078
10 0.7886 nan 0.1319 0.0052
20 0.7087 nan 0.1319 0.0026
40 0.6450 nan 0.1319 0.0004
60 0.6227 nan 0.1319 0.0002
80 0.6116 nan 0.1319 0.0002
100 0.6028 nan 0.1319 0.0001
120 0.5959 nan 0.1319 -0.0000
140 0.5899 nan 0.1319 0.0000
160 0.5863 nan 0.1319 -0.0001
180 0.5842 nan 0.1319 -0.0000
200 0.5804 nan 0.1319 -0.0000
220 0.5774 nan 0.1319 0.0001
240 0.5749 nan 0.1319 -0.0000
260 0.5725 nan 0.1319 -0.0001
280 0.5708 nan 0.1319 -0.0001
300 0.5693 nan 0.1319 -0.0001
320 0.5673 nan 0.1319 0.0000
340 0.5656 nan 0.1319 0.0000
360 0.5639 nan 0.1319 -0.0000
380 0.5626 nan 0.1319 -0.0001
400 0.5618 nan 0.1319 -0.0001
420 0.5606 nan 0.1319 -0.0001
440 0.5597 nan 0.1319 -0.0001
460 0.5580 nan 0.1319 -0.0001
480 0.5564 nan 0.1319 -0.0001
500 0.5556 nan 0.1319 -0.0001
520 0.5541 nan 0.1319 -0.0001
540 0.5530 nan 0.1319 -0.0001
560 0.5518 nan 0.1319 -0.0001
580 0.5512 nan 0.1319 -0.0001
600 0.5503 nan 0.1319 -0.0001
620 0.5495 nan 0.1319 -0.0001
640 0.5487 nan 0.1319 -0.0000
660 0.5478 nan 0.1319 -0.0001
680 0.5468 nan 0.1319 -0.0001
700 0.5458 nan 0.1319 -0.0001
720 0.5450 nan 0.1319 -0.0001
740 0.5443 nan 0.1319 -0.0001
760 0.5438 nan 0.1319 -0.0001
780 0.5431 nan 0.1319 -0.0001
797 0.5423 nan 0.1319 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0300 nan 0.1323 0.0340
2 0.9782 nan 0.1323 0.0253
3 0.9383 nan 0.1323 0.0197
4 0.8995 nan 0.1323 0.0194
5 0.8698 nan 0.1323 0.0149
6 0.8481 nan 0.1323 0.0107
7 0.8293 nan 0.1323 0.0092
8 0.8107 nan 0.1323 0.0090
9 0.7983 nan 0.1323 0.0062
10 0.7882 nan 0.1323 0.0051
20 0.7058 nan 0.1323 0.0027
40 0.6475 nan 0.1323 0.0009
60 0.6229 nan 0.1323 0.0004
80 0.6099 nan 0.1323 0.0003
100 0.6011 nan 0.1323 0.0001
120 0.5945 nan 0.1323 -0.0000
140 0.5888 nan 0.1323 -0.0000
160 0.5847 nan 0.1323 -0.0000
180 0.5806 nan 0.1323 0.0000
200 0.5772 nan 0.1323 -0.0000
220 0.5739 nan 0.1323 -0.0001
240 0.5715 nan 0.1323 0.0000
260 0.5699 nan 0.1323 -0.0001
280 0.5682 nan 0.1323 -0.0000
300 0.5663 nan 0.1323 -0.0000
320 0.5639 nan 0.1323 -0.0000
340 0.5622 nan 0.1323 -0.0000
360 0.5608 nan 0.1323 -0.0001
380 0.5589 nan 0.1323 -0.0000
400 0.5567 nan 0.1323 0.0001
420 0.5553 nan 0.1323 -0.0001
440 0.5538 nan 0.1323 -0.0001
460 0.5523 nan 0.1323 -0.0000
480 0.5505 nan 0.1323 -0.0000
500 0.5496 nan 0.1323 -0.0001
520 0.5486 nan 0.1323 -0.0001
540 0.5475 nan 0.1323 -0.0001
560 0.5464 nan 0.1323 -0.0000
580 0.5452 nan 0.1323 -0.0001
600 0.5439 nan 0.1323 -0.0001
620 0.5430 nan 0.1323 -0.0001
640 0.5419 nan 0.1323 -0.0000
660 0.5412 nan 0.1323 -0.0001
680 0.5401 nan 0.1323 -0.0001
700 0.5393 nan 0.1323 -0.0001
720 0.5384 nan 0.1323 -0.0001
740 0.5375 nan 0.1323 -0.0001
760 0.5363 nan 0.1323 -0.0000
780 0.5356 nan 0.1323 -0.0001
800 0.5344 nan 0.1323 -0.0001
820 0.5337 nan 0.1323 -0.0000
840 0.5330 nan 0.1323 -0.0001
860 0.5324 nan 0.1323 -0.0000
880 0.5315 nan 0.1323 -0.0001
900 0.5311 nan 0.1323 -0.0001
920 0.5303 nan 0.1323 -0.0001
940 0.5292 nan 0.1323 -0.0001
960 0.5283 nan 0.1323 -0.0001
980 0.5273 nan 0.1323 -0.0001
981 0.5273 nan 0.1323 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0301 nan 0.1371 0.0360
2 0.9773 nan 0.1371 0.0264
3 0.9370 nan 0.1371 0.0203
4 0.8967 nan 0.1371 0.0198
5 0.8662 nan 0.1371 0.0149
6 0.8460 nan 0.1371 0.0100
7 0.8251 nan 0.1371 0.0107
8 0.8093 nan 0.1371 0.0077
9 0.7969 nan 0.1371 0.0062
10 0.7853 nan 0.1371 0.0055
20 0.7037 nan 0.1371 0.0025
40 0.6428 nan 0.1371 0.0005
60 0.6219 nan 0.1371 0.0002
80 0.6090 nan 0.1371 -0.0001
100 0.6003 nan 0.1371 -0.0000
120 0.5938 nan 0.1371 0.0000
140 0.5872 nan 0.1371 0.0004
160 0.5826 nan 0.1371 -0.0000
180 0.5796 nan 0.1371 -0.0001
200 0.5764 nan 0.1371 -0.0000
220 0.5737 nan 0.1371 -0.0001
240 0.5703 nan 0.1371 0.0001
260 0.5681 nan 0.1371 -0.0000
280 0.5664 nan 0.1371 -0.0001
300 0.5640 nan 0.1371 -0.0000
320 0.5625 nan 0.1371 -0.0001
340 0.5612 nan 0.1371 -0.0001
360 0.5587 nan 0.1371 -0.0000
380 0.5572 nan 0.1371 -0.0001
400 0.5554 nan 0.1371 -0.0000
420 0.5537 nan 0.1371 -0.0001
440 0.5518 nan 0.1371 0.0003
460 0.5502 nan 0.1371 -0.0000
480 0.5484 nan 0.1371 0.0002
500 0.5473 nan 0.1371 -0.0000
520 0.5455 nan 0.1371 -0.0001
540 0.5446 nan 0.1371 -0.0001
560 0.5435 nan 0.1371 -0.0000
580 0.5425 nan 0.1371 -0.0001
593 0.5420 nan 0.1371 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0060 nan 0.1425 0.0480
2 0.9428 nan 0.1425 0.0320
3 0.8932 nan 0.1425 0.0240
4 0.8545 nan 0.1425 0.0189
5 0.8250 nan 0.1425 0.0146
6 0.8012 nan 0.1425 0.0118
7 0.7792 nan 0.1425 0.0109
8 0.7609 nan 0.1425 0.0091
9 0.7445 nan 0.1425 0.0080
10 0.7310 nan 0.1425 0.0065
20 0.6607 nan 0.1425 0.0023
40 0.6096 nan 0.1425 0.0008
60 0.5887 nan 0.1425 0.0003
80 0.5784 nan 0.1425 -0.0001
100 0.5686 nan 0.1425 -0.0000
120 0.5632 nan 0.1425 -0.0001
140 0.5577 nan 0.1425 -0.0001
160 0.5531 nan 0.1425 -0.0001
180 0.5493 nan 0.1425 -0.0002
200 0.5456 nan 0.1425 -0.0001
220 0.5417 nan 0.1425 -0.0001
240 0.5389 nan 0.1425 -0.0001
260 0.5349 nan 0.1425 -0.0002
280 0.5319 nan 0.1425 -0.0000
300 0.5290 nan 0.1425 -0.0001
320 0.5257 nan 0.1425 -0.0001
340 0.5231 nan 0.1425 -0.0001
360 0.5197 nan 0.1425 -0.0002
380 0.5175 nan 0.1425 -0.0002
400 0.5155 nan 0.1425 -0.0001
420 0.5135 nan 0.1425 -0.0002
440 0.5118 nan 0.1425 -0.0000
460 0.5096 nan 0.1425 -0.0002
480 0.5074 nan 0.1425 -0.0002
500 0.5050 nan 0.1425 -0.0001
520 0.5029 nan 0.1425 -0.0001
540 0.5002 nan 0.1425 -0.0001
560 0.4985 nan 0.1425 -0.0001
580 0.4967 nan 0.1425 -0.0001
600 0.4953 nan 0.1425 -0.0002
620 0.4936 nan 0.1425 -0.0001
640 0.4924 nan 0.1425 -0.0001
660 0.4908 nan 0.1425 -0.0001
680 0.4892 nan 0.1425 -0.0001
700 0.4874 nan 0.1425 -0.0001
720 0.4858 nan 0.1425 -0.0000
740 0.4844 nan 0.1425 -0.0001
760 0.4827 nan 0.1425 -0.0001
780 0.4813 nan 0.1425 -0.0002
800 0.4800 nan 0.1425 -0.0001
820 0.4787 nan 0.1425 -0.0001
831 0.4781 nan 0.1425 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9997 nan 0.1438 0.0497
2 0.9331 nan 0.1438 0.0330
3 0.8845 nan 0.1438 0.0246
4 0.8471 nan 0.1438 0.0185
5 0.8167 nan 0.1438 0.0147
6 0.7923 nan 0.1438 0.0119
7 0.7711 nan 0.1438 0.0106
8 0.7519 nan 0.1438 0.0094
9 0.7382 nan 0.1438 0.0065
10 0.7249 nan 0.1438 0.0066
20 0.6490 nan 0.1438 0.0017
40 0.6020 nan 0.1438 0.0001
60 0.5842 nan 0.1438 0.0002
80 0.5737 nan 0.1438 -0.0000
100 0.5654 nan 0.1438 -0.0001
120 0.5600 nan 0.1438 -0.0001
140 0.5551 nan 0.1438 -0.0000
160 0.5503 nan 0.1438 -0.0001
180 0.5465 nan 0.1438 -0.0001
200 0.5428 nan 0.1438 -0.0002
220 0.5397 nan 0.1438 -0.0001
240 0.5368 nan 0.1438 -0.0002
259 0.5334 nan 0.1438 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0021 nan 0.1455 0.0478
2 0.9369 nan 0.1455 0.0326
3 0.8885 nan 0.1455 0.0245
4 0.8535 nan 0.1455 0.0178
5 0.8255 nan 0.1455 0.0140
6 0.8036 nan 0.1455 0.0104
7 0.7804 nan 0.1455 0.0110
8 0.7626 nan 0.1455 0.0087
9 0.7441 nan 0.1455 0.0089
10 0.7315 nan 0.1455 0.0061
20 0.6571 nan 0.1455 0.0026
40 0.6080 nan 0.1455 0.0008
60 0.5875 nan 0.1455 0.0001
80 0.5771 nan 0.1455 0.0002
100 0.5681 nan 0.1455 0.0000
108 0.5649 nan 0.1455 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0246 nan 0.1479 0.0387
2 0.9699 nan 0.1479 0.0275
3 0.9278 nan 0.1479 0.0209
4 0.8875 nan 0.1479 0.0200
5 0.8570 nan 0.1479 0.0153
6 0.8341 nan 0.1479 0.0113
7 0.8161 nan 0.1479 0.0089
8 0.7977 nan 0.1479 0.0088
9 0.7851 nan 0.1479 0.0059
10 0.7724 nan 0.1479 0.0058
20 0.6951 nan 0.1479 0.0021
40 0.6390 nan 0.1479 0.0004
60 0.6182 nan 0.1479 0.0002
80 0.6054 nan 0.1479 0.0001
100 0.5969 nan 0.1479 0.0000
120 0.5892 nan 0.1479 0.0000
140 0.5837 nan 0.1479 -0.0000
160 0.5796 nan 0.1479 -0.0000
180 0.5766 nan 0.1479 -0.0001
200 0.5733 nan 0.1479 0.0000
220 0.5706 nan 0.1479 0.0000
240 0.5684 nan 0.1479 -0.0000
260 0.5647 nan 0.1479 0.0001
280 0.5626 nan 0.1479 -0.0001
300 0.5607 nan 0.1479 -0.0001
320 0.5589 nan 0.1479 -0.0001
340 0.5575 nan 0.1479 -0.0001
360 0.5555 nan 0.1479 -0.0001
380 0.5541 nan 0.1479 -0.0001
400 0.5525 nan 0.1479 -0.0001
420 0.5513 nan 0.1479 -0.0001
440 0.5502 nan 0.1479 -0.0001
460 0.5488 nan 0.1479 -0.0001
480 0.5472 nan 0.1479 -0.0001
500 0.5458 nan 0.1479 -0.0001
520 0.5439 nan 0.1479 -0.0001
540 0.5428 nan 0.1479 -0.0001
560 0.5415 nan 0.1479 -0.0000
580 0.5404 nan 0.1479 -0.0001
600 0.5392 nan 0.1479 -0.0001
620 0.5381 nan 0.1479 -0.0000
640 0.5363 nan 0.1479 -0.0001
660 0.5352 nan 0.1479 -0.0001
680 0.5338 nan 0.1479 -0.0001
700 0.5332 nan 0.1479 -0.0001
720 0.5319 nan 0.1479 -0.0001
740 0.5309 nan 0.1479 -0.0001
760 0.5299 nan 0.1479 -0.0001
780 0.5286 nan 0.1479 -0.0001
800 0.5279 nan 0.1479 -0.0000
820 0.5271 nan 0.1479 -0.0000
840 0.5263 nan 0.1479 -0.0002
860 0.5256 nan 0.1479 -0.0001
880 0.5248 nan 0.1479 -0.0001
900 0.5242 nan 0.1479 -0.0001
920 0.5235 nan 0.1479 -0.0001
940 0.5222 nan 0.1479 -0.0000
960 0.5210 nan 0.1479 -0.0001
980 0.5201 nan 0.1479 -0.0001
986 0.5198 nan 0.1479 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9971 nan 0.1486 0.0513
2 0.9251 nan 0.1486 0.0355
3 0.8765 nan 0.1486 0.0240
4 0.8389 nan 0.1486 0.0185
5 0.8098 nan 0.1486 0.0146
6 0.7870 nan 0.1486 0.0111
7 0.7660 nan 0.1486 0.0101
8 0.7504 nan 0.1486 0.0075
9 0.7337 nan 0.1486 0.0079
10 0.7210 nan 0.1486 0.0062
20 0.6435 nan 0.1486 0.0022
40 0.5997 nan 0.1486 0.0000
60 0.5808 nan 0.1486 0.0002
80 0.5700 nan 0.1486 -0.0001
100 0.5615 nan 0.1486 -0.0002
120 0.5554 nan 0.1486 -0.0001
140 0.5496 nan 0.1486 0.0002
160 0.5447 nan 0.1486 -0.0002
180 0.5402 nan 0.1486 -0.0002
200 0.5375 nan 0.1486 -0.0002
220 0.5344 nan 0.1486 -0.0001
240 0.5315 nan 0.1486 -0.0002
260 0.5274 nan 0.1486 -0.0002
280 0.5244 nan 0.1486 -0.0001
300 0.5220 nan 0.1486 -0.0001
320 0.5195 nan 0.1486 -0.0002
340 0.5171 nan 0.1486 -0.0001
360 0.5152 nan 0.1486 -0.0001
380 0.5130 nan 0.1486 -0.0002
400 0.5112 nan 0.1486 -0.0001
420 0.5089 nan 0.1486 -0.0002
440 0.5070 nan 0.1486 -0.0001
460 0.5052 nan 0.1486 -0.0001
480 0.5034 nan 0.1486 -0.0002
500 0.5014 nan 0.1486 -0.0002
520 0.4988 nan 0.1486 -0.0001
540 0.4967 nan 0.1486 -0.0001
560 0.4951 nan 0.1486 -0.0001
580 0.4938 nan 0.1486 -0.0002
600 0.4915 nan 0.1486 -0.0003
620 0.4898 nan 0.1486 -0.0001
640 0.4880 nan 0.1486 -0.0002
660 0.4863 nan 0.1486 -0.0001
680 0.4847 nan 0.1486 -0.0002
700 0.4832 nan 0.1486 -0.0001
720 0.4816 nan 0.1486 -0.0002
740 0.4799 nan 0.1486 -0.0002
760 0.4782 nan 0.1486 -0.0001
780 0.4761 nan 0.1486 -0.0002
800 0.4745 nan 0.1486 -0.0001
820 0.4732 nan 0.1486 -0.0002
840 0.4720 nan 0.1486 -0.0001
860 0.4703 nan 0.1486 -0.0001
880 0.4687 nan 0.1486 -0.0002
900 0.4673 nan 0.1486 -0.0001
920 0.4658 nan 0.1486 -0.0001
940 0.4645 nan 0.1486 -0.0001
957 0.4635 nan 0.1486 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9997 nan 0.1502 0.0498
2 0.9339 nan 0.1502 0.0331
3 0.8849 nan 0.1502 0.0241
4 0.8487 nan 0.1502 0.0178
5 0.8180 nan 0.1502 0.0154
6 0.7944 nan 0.1502 0.0113
7 0.7756 nan 0.1502 0.0092
8 0.7582 nan 0.1502 0.0083
9 0.7424 nan 0.1502 0.0077
10 0.7293 nan 0.1502 0.0060
20 0.6558 nan 0.1502 0.0026
40 0.6075 nan 0.1502 0.0005
60 0.5906 nan 0.1502 0.0001
80 0.5774 nan 0.1502 0.0000
100 0.5689 nan 0.1502 -0.0001
120 0.5618 nan 0.1502 -0.0001
140 0.5573 nan 0.1502 0.0001
160 0.5528 nan 0.1502 -0.0001
180 0.5497 nan 0.1502 -0.0001
200 0.5466 nan 0.1502 -0.0001
220 0.5429 nan 0.1502 -0.0001
240 0.5394 nan 0.1502 0.0000
260 0.5368 nan 0.1502 -0.0001
280 0.5341 nan 0.1502 -0.0001
300 0.5317 nan 0.1502 -0.0002
320 0.5297 nan 0.1502 -0.0002
340 0.5278 nan 0.1502 -0.0001
360 0.5259 nan 0.1502 -0.0001
380 0.5242 nan 0.1502 -0.0002
400 0.5221 nan 0.1502 -0.0002
420 0.5200 nan 0.1502 -0.0002
440 0.5182 nan 0.1502 -0.0001
460 0.5166 nan 0.1502 -0.0002
480 0.5151 nan 0.1502 -0.0001
500 0.5135 nan 0.1502 -0.0002
520 0.5120 nan 0.1502 -0.0001
540 0.5108 nan 0.1502 -0.0001
560 0.5092 nan 0.1502 -0.0001
580 0.5077 nan 0.1502 -0.0001
600 0.5060 nan 0.1502 -0.0002
620 0.5047 nan 0.1502 -0.0002
640 0.5036 nan 0.1502 -0.0002
660 0.5023 nan 0.1502 -0.0001
680 0.5014 nan 0.1502 -0.0001
689 0.5010 nan 0.1502 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9967 nan 0.1546 0.0511
2 0.9309 nan 0.1546 0.0327
3 0.8802 nan 0.1546 0.0256
4 0.8444 nan 0.1546 0.0174
5 0.8160 nan 0.1546 0.0139
6 0.7917 nan 0.1546 0.0125
7 0.7683 nan 0.1546 0.0112
8 0.7499 nan 0.1546 0.0090
9 0.7330 nan 0.1546 0.0079
10 0.7217 nan 0.1546 0.0057
20 0.6511 nan 0.1546 0.0018
40 0.6031 nan 0.1546 0.0003
60 0.5827 nan 0.1546 0.0004
80 0.5727 nan 0.1546 0.0000
100 0.5643 nan 0.1546 -0.0000
120 0.5575 nan 0.1546 -0.0001
140 0.5507 nan 0.1546 -0.0001
160 0.5457 nan 0.1546 -0.0000
180 0.5417 nan 0.1546 -0.0001
200 0.5373 nan 0.1546 -0.0001
220 0.5344 nan 0.1546 -0.0002
240 0.5311 nan 0.1546 -0.0001
260 0.5278 nan 0.1546 -0.0002
280 0.5246 nan 0.1546 -0.0001
300 0.5211 nan 0.1546 -0.0001
320 0.5180 nan 0.1546 -0.0001
340 0.5157 nan 0.1546 -0.0002
347 0.5147 nan 0.1546 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9960 nan 0.1561 0.0515
2 0.9292 nan 0.1561 0.0338
3 0.8799 nan 0.1561 0.0241
4 0.8440 nan 0.1561 0.0178
5 0.8156 nan 0.1561 0.0139
6 0.7892 nan 0.1561 0.0135
7 0.7690 nan 0.1561 0.0097
8 0.7522 nan 0.1561 0.0081
9 0.7358 nan 0.1561 0.0082
10 0.7224 nan 0.1561 0.0064
20 0.6505 nan 0.1561 0.0016
40 0.6044 nan 0.1561 0.0005
60 0.5828 nan 0.1561 0.0001
80 0.5715 nan 0.1561 0.0001
100 0.5645 nan 0.1561 0.0003
120 0.5578 nan 0.1561 -0.0001
140 0.5531 nan 0.1561 -0.0001
160 0.5478 nan 0.1561 -0.0001
180 0.5432 nan 0.1561 0.0000
200 0.5397 nan 0.1561 -0.0001
220 0.5359 nan 0.1561 -0.0001
240 0.5330 nan 0.1561 -0.0001
260 0.5299 nan 0.1561 -0.0001
280 0.5268 nan 0.1561 -0.0001
300 0.5242 nan 0.1561 -0.0001
302 0.5239 nan 0.1561 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0071 nan 0.1572 0.0468
2 0.9381 nan 0.1572 0.0341
3 0.8907 nan 0.1572 0.0226
4 0.8542 nan 0.1572 0.0179
5 0.8232 nan 0.1572 0.0158
6 0.7991 nan 0.1572 0.0122
7 0.7814 nan 0.1572 0.0085
8 0.7679 nan 0.1572 0.0063
9 0.7522 nan 0.1572 0.0076
10 0.7395 nan 0.1572 0.0063
20 0.6627 nan 0.1572 0.0022
40 0.6190 nan 0.1572 0.0004
60 0.6008 nan 0.1572 0.0001
80 0.5891 nan 0.1572 -0.0000
100 0.5824 nan 0.1572 -0.0001
120 0.5770 nan 0.1572 0.0001
140 0.5731 nan 0.1572 -0.0001
160 0.5689 nan 0.1572 -0.0001
180 0.5662 nan 0.1572 -0.0002
200 0.5638 nan 0.1572 0.0000
220 0.5616 nan 0.1572 -0.0001
240 0.5592 nan 0.1572 -0.0002
260 0.5573 nan 0.1572 -0.0001
280 0.5549 nan 0.1572 -0.0001
300 0.5525 nan 0.1572 -0.0002
320 0.5506 nan 0.1572 -0.0002
340 0.5483 nan 0.1572 -0.0000
360 0.5470 nan 0.1572 -0.0001
380 0.5452 nan 0.1572 -0.0001
400 0.5438 nan 0.1572 -0.0002
404 0.5435 nan 0.1572 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0058 nan 0.1580 0.0464
2 0.9375 nan 0.1580 0.0345
3 0.8921 nan 0.1580 0.0228
4 0.8548 nan 0.1580 0.0186
5 0.8234 nan 0.1580 0.0154
6 0.7985 nan 0.1580 0.0123
7 0.7787 nan 0.1580 0.0095
8 0.7628 nan 0.1580 0.0078
9 0.7479 nan 0.1580 0.0073
10 0.7361 nan 0.1580 0.0056
20 0.6592 nan 0.1580 0.0021
40 0.6162 nan 0.1580 0.0004
60 0.5970 nan 0.1580 -0.0000
80 0.5864 nan 0.1580 0.0001
100 0.5787 nan 0.1580 -0.0001
120 0.5744 nan 0.1580 -0.0000
140 0.5688 nan 0.1580 0.0000
160 0.5658 nan 0.1580 0.0000
180 0.5617 nan 0.1580 -0.0001
200 0.5586 nan 0.1580 -0.0000
220 0.5560 nan 0.1580 -0.0001
240 0.5526 nan 0.1580 -0.0001
260 0.5500 nan 0.1580 -0.0001
280 0.5482 nan 0.1580 0.0001
300 0.5459 nan 0.1580 0.0001
320 0.5443 nan 0.1580 -0.0001
340 0.5429 nan 0.1580 -0.0002
360 0.5410 nan 0.1580 -0.0001
380 0.5392 nan 0.1580 0.0000
400 0.5378 nan 0.1580 -0.0000
420 0.5365 nan 0.1580 -0.0001
440 0.5353 nan 0.1580 -0.0002
460 0.5333 nan 0.1580 0.0000
480 0.5313 nan 0.1580 -0.0001
500 0.5299 nan 0.1580 -0.0001
514 0.5291 nan 0.1580 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0057 nan 0.1589 0.0479
2 0.9388 nan 0.1589 0.0333
3 0.8906 nan 0.1589 0.0241
4 0.8499 nan 0.1589 0.0198
5 0.8192 nan 0.1589 0.0161
6 0.7955 nan 0.1589 0.0114
7 0.7769 nan 0.1589 0.0093
8 0.7605 nan 0.1589 0.0078
9 0.7474 nan 0.1589 0.0065
10 0.7360 nan 0.1589 0.0055
20 0.6638 nan 0.1589 0.0026
40 0.6174 nan 0.1589 0.0006
60 0.5983 nan 0.1589 0.0003
80 0.5886 nan 0.1589 -0.0000
100 0.5808 nan 0.1589 0.0000
120 0.5756 nan 0.1589 -0.0001
140 0.5708 nan 0.1589 -0.0001
160 0.5660 nan 0.1589 0.0000
180 0.5616 nan 0.1589 0.0000
200 0.5583 nan 0.1589 0.0001
220 0.5543 nan 0.1589 0.0002
240 0.5516 nan 0.1589 -0.0001
260 0.5498 nan 0.1589 -0.0001
280 0.5479 nan 0.1589 -0.0001
300 0.5455 nan 0.1589 -0.0000
320 0.5428 nan 0.1589 -0.0002
340 0.5408 nan 0.1589 -0.0001
360 0.5389 nan 0.1589 -0.0000
380 0.5372 nan 0.1589 -0.0002
400 0.5357 nan 0.1589 -0.0001
420 0.5342 nan 0.1589 -0.0001
440 0.5325 nan 0.1589 -0.0002
460 0.5310 nan 0.1589 -0.0001
480 0.5294 nan 0.1589 -0.0002
500 0.5284 nan 0.1589 -0.0001
520 0.5268 nan 0.1589 -0.0002
540 0.5252 nan 0.1589 -0.0001
557 0.5243 nan 0.1589 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0173 nan 0.1591 0.0413
2 0.9598 nan 0.1591 0.0288
3 0.9105 nan 0.1591 0.0245
4 0.8745 nan 0.1591 0.0179
5 0.8506 nan 0.1591 0.0115
6 0.8265 nan 0.1591 0.0123
7 0.8064 nan 0.1591 0.0099
8 0.7938 nan 0.1591 0.0066
9 0.7794 nan 0.1591 0.0065
10 0.7670 nan 0.1591 0.0060
20 0.6882 nan 0.1591 0.0019
40 0.6355 nan 0.1591 0.0008
60 0.6147 nan 0.1591 0.0003
80 0.6032 nan 0.1591 0.0001
100 0.5943 nan 0.1591 -0.0000
120 0.5864 nan 0.1591 -0.0000
140 0.5811 nan 0.1591 -0.0001
160 0.5769 nan 0.1591 -0.0001
180 0.5735 nan 0.1591 -0.0000
200 0.5704 nan 0.1591 -0.0001
220 0.5682 nan 0.1591 -0.0000
240 0.5662 nan 0.1591 -0.0001
260 0.5640 nan 0.1591 -0.0001
280 0.5605 nan 0.1591 -0.0001
300 0.5583 nan 0.1591 -0.0001
320 0.5567 nan 0.1591 -0.0001
340 0.5549 nan 0.1591 -0.0001
360 0.5530 nan 0.1591 -0.0001
380 0.5512 nan 0.1591 -0.0001
400 0.5500 nan 0.1591 -0.0000
420 0.5487 nan 0.1591 -0.0001
440 0.5475 nan 0.1591 -0.0000
460 0.5464 nan 0.1591 -0.0002
480 0.5454 nan 0.1591 -0.0001
500 0.5442 nan 0.1591 -0.0001
520 0.5434 nan 0.1591 -0.0001
540 0.5419 nan 0.1591 -0.0000
560 0.5405 nan 0.1591 -0.0000
580 0.5394 nan 0.1591 -0.0000
600 0.5382 nan 0.1591 -0.0001
620 0.5368 nan 0.1591 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9946 nan 0.1593 0.0533
2 0.9251 nan 0.1593 0.0337
3 0.8745 nan 0.1593 0.0253
4 0.8380 nan 0.1593 0.0180
5 0.8108 nan 0.1593 0.0130
6 0.7855 nan 0.1593 0.0120
7 0.7618 nan 0.1593 0.0116
8 0.7451 nan 0.1593 0.0086
9 0.7279 nan 0.1593 0.0080
10 0.7137 nan 0.1593 0.0065
20 0.6473 nan 0.1593 0.0019
40 0.6054 nan 0.1593 0.0008
60 0.5878 nan 0.1593 0.0001
80 0.5784 nan 0.1593 -0.0001
100 0.5717 nan 0.1593 -0.0001
120 0.5652 nan 0.1593 0.0001
140 0.5615 nan 0.1593 -0.0002
160 0.5573 nan 0.1593 -0.0002
180 0.5546 nan 0.1593 -0.0002
200 0.5514 nan 0.1593 -0.0002
220 0.5485 nan 0.1593 0.0001
240 0.5458 nan 0.1593 -0.0002
260 0.5433 nan 0.1593 -0.0002
280 0.5398 nan 0.1593 -0.0001
300 0.5379 nan 0.1593 -0.0001
320 0.5361 nan 0.1593 -0.0002
340 0.5345 nan 0.1593 -0.0001
360 0.5326 nan 0.1593 -0.0001
380 0.5306 nan 0.1593 -0.0001
400 0.5288 nan 0.1593 -0.0002
420 0.5268 nan 0.1593 -0.0001
440 0.5250 nan 0.1593 -0.0002
460 0.5232 nan 0.1593 -0.0001
480 0.5211 nan 0.1593 -0.0001
500 0.5196 nan 0.1593 -0.0001
520 0.5182 nan 0.1593 -0.0002
540 0.5165 nan 0.1593 -0.0001
560 0.5154 nan 0.1593 -0.0003
580 0.5140 nan 0.1593 -0.0002
600 0.5127 nan 0.1593 -0.0001
620 0.5112 nan 0.1593 -0.0001
639 0.5101 nan 0.1593 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9890 nan 0.1625 0.0554
2 0.9179 nan 0.1625 0.0344
3 0.8653 nan 0.1625 0.0259
4 0.8251 nan 0.1625 0.0202
5 0.7951 nan 0.1625 0.0147
6 0.7701 nan 0.1625 0.0125
7 0.7501 nan 0.1625 0.0096
8 0.7303 nan 0.1625 0.0092
9 0.7159 nan 0.1625 0.0071
10 0.7046 nan 0.1625 0.0054
20 0.6391 nan 0.1625 0.0019
40 0.5938 nan 0.1625 0.0008
60 0.5790 nan 0.1625 0.0000
80 0.5685 nan 0.1625 -0.0001
100 0.5594 nan 0.1625 0.0000
120 0.5541 nan 0.1625 -0.0002
140 0.5490 nan 0.1625 -0.0001
160 0.5451 nan 0.1625 -0.0002
180 0.5416 nan 0.1625 -0.0002
185 0.5405 nan 0.1625 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9903 nan 0.1685 0.0555
2 0.9178 nan 0.1685 0.0367
3 0.8700 nan 0.1685 0.0241
4 0.8333 nan 0.1685 0.0183
5 0.8033 nan 0.1685 0.0148
6 0.7774 nan 0.1685 0.0125
7 0.7592 nan 0.1685 0.0088
8 0.7424 nan 0.1685 0.0083
9 0.7281 nan 0.1685 0.0064
10 0.7167 nan 0.1685 0.0056
20 0.6428 nan 0.1685 0.0013
40 0.5996 nan 0.1685 0.0001
60 0.5829 nan 0.1685 0.0000
80 0.5707 nan 0.1685 -0.0000
100 0.5627 nan 0.1685 -0.0002
120 0.5554 nan 0.1685 -0.0001
140 0.5495 nan 0.1685 -0.0002
160 0.5449 nan 0.1685 -0.0003
180 0.5401 nan 0.1685 0.0000
200 0.5355 nan 0.1685 -0.0002
220 0.5316 nan 0.1685 -0.0002
240 0.5279 nan 0.1685 -0.0001
260 0.5243 nan 0.1685 0.0003
280 0.5205 nan 0.1685 -0.0001
300 0.5176 nan 0.1685 -0.0002
320 0.5134 nan 0.1685 -0.0001
340 0.5104 nan 0.1685 -0.0001
360 0.5077 nan 0.1685 -0.0001
380 0.5055 nan 0.1685 -0.0001
400 0.5023 nan 0.1685 -0.0002
420 0.4997 nan 0.1685 -0.0001
440 0.4975 nan 0.1685 -0.0001
460 0.4954 nan 0.1685 -0.0001
480 0.4935 nan 0.1685 -0.0001
500 0.4909 nan 0.1685 -0.0002
520 0.4891 nan 0.1685 -0.0002
540 0.4867 nan 0.1685 -0.0002
560 0.4844 nan 0.1685 -0.0001
580 0.4820 nan 0.1685 -0.0001
600 0.4800 nan 0.1685 -0.0001
620 0.4778 nan 0.1685 -0.0001
640 0.4751 nan 0.1685 -0.0002
660 0.4720 nan 0.1685 -0.0002
680 0.4699 nan 0.1685 -0.0002
700 0.4679 nan 0.1685 -0.0001
720 0.4664 nan 0.1685 -0.0001
740 0.4643 nan 0.1685 -0.0001
750 0.4633 nan 0.1685 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0126 nan 0.1687 0.0436
2 0.9528 nan 0.1687 0.0301
3 0.9098 nan 0.1687 0.0215
4 0.8685 nan 0.1687 0.0217
5 0.8384 nan 0.1687 0.0147
6 0.8181 nan 0.1687 0.0102
7 0.7978 nan 0.1687 0.0105
8 0.7849 nan 0.1687 0.0063
9 0.7694 nan 0.1687 0.0076
10 0.7585 nan 0.1687 0.0055
20 0.6834 nan 0.1687 0.0024
40 0.6323 nan 0.1687 0.0002
60 0.6124 nan 0.1687 0.0003
80 0.6012 nan 0.1687 0.0002
100 0.5942 nan 0.1687 0.0001
120 0.5874 nan 0.1687 -0.0000
140 0.5832 nan 0.1687 0.0000
160 0.5803 nan 0.1687 -0.0000
180 0.5765 nan 0.1687 -0.0001
200 0.5733 nan 0.1687 -0.0001
220 0.5709 nan 0.1687 -0.0001
240 0.5684 nan 0.1687 -0.0001
257 0.5666 nan 0.1687 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0124 nan 0.1688 0.0440
2 0.9525 nan 0.1688 0.0301
3 0.9096 nan 0.1688 0.0214
4 0.8687 nan 0.1688 0.0207
5 0.8386 nan 0.1688 0.0148
6 0.8176 nan 0.1688 0.0100
7 0.8011 nan 0.1688 0.0079
8 0.7875 nan 0.1688 0.0064
9 0.7699 nan 0.1688 0.0086
10 0.7564 nan 0.1688 0.0066
20 0.6819 nan 0.1688 0.0023
40 0.6326 nan 0.1688 0.0002
60 0.6123 nan 0.1688 0.0001
80 0.6011 nan 0.1688 -0.0001
100 0.5927 nan 0.1688 0.0001
120 0.5862 nan 0.1688 0.0002
140 0.5814 nan 0.1688 -0.0001
160 0.5770 nan 0.1688 -0.0000
180 0.5742 nan 0.1688 -0.0001
200 0.5713 nan 0.1688 -0.0000
220 0.5685 nan 0.1688 -0.0001
240 0.5647 nan 0.1688 0.0001
260 0.5614 nan 0.1688 -0.0000
280 0.5596 nan 0.1688 -0.0000
300 0.5582 nan 0.1688 0.0000
320 0.5564 nan 0.1688 -0.0002
340 0.5541 nan 0.1688 -0.0001
360 0.5524 nan 0.1688 -0.0000
380 0.5511 nan 0.1688 -0.0001
400 0.5501 nan 0.1688 -0.0000
420 0.5486 nan 0.1688 -0.0001
440 0.5477 nan 0.1688 -0.0001
460 0.5466 nan 0.1688 -0.0001
480 0.5455 nan 0.1688 -0.0001
500 0.5445 nan 0.1688 -0.0001
520 0.5435 nan 0.1688 -0.0001
540 0.5421 nan 0.1688 -0.0001
560 0.5411 nan 0.1688 0.0000
572 0.5406 nan 0.1688 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9840 nan 0.1722 0.0600
2 0.9090 nan 0.1722 0.0376
3 0.8574 nan 0.1722 0.0258
4 0.8176 nan 0.1722 0.0197
5 0.7884 nan 0.1722 0.0143
6 0.7658 nan 0.1722 0.0112
7 0.7450 nan 0.1722 0.0099
8 0.7254 nan 0.1722 0.0098
9 0.7079 nan 0.1722 0.0084
10 0.6987 nan 0.1722 0.0040
20 0.6312 nan 0.1722 0.0023
40 0.5911 nan 0.1722 0.0004
60 0.5732 nan 0.1722 0.0001
80 0.5622 nan 0.1722 0.0000
100 0.5540 nan 0.1722 -0.0003
120 0.5460 nan 0.1722 0.0002
140 0.5404 nan 0.1722 -0.0002
160 0.5351 nan 0.1722 -0.0002
180 0.5310 nan 0.1722 -0.0002
200 0.5275 nan 0.1722 -0.0001
220 0.5240 nan 0.1722 -0.0001
240 0.5203 nan 0.1722 -0.0001
260 0.5167 nan 0.1722 -0.0001
280 0.5137 nan 0.1722 -0.0002
300 0.5101 nan 0.1722 -0.0003
320 0.5070 nan 0.1722 -0.0002
340 0.5038 nan 0.1722 -0.0000
360 0.5003 nan 0.1722 -0.0001
380 0.4976 nan 0.1722 -0.0002
400 0.4955 nan 0.1722 -0.0002
420 0.4925 nan 0.1722 -0.0002
440 0.4901 nan 0.1722 -0.0003
460 0.4876 nan 0.1722 -0.0003
480 0.4841 nan 0.1722 -0.0001
500 0.4813 nan 0.1722 -0.0002
520 0.4788 nan 0.1722 -0.0002
540 0.4767 nan 0.1722 -0.0002
560 0.4747 nan 0.1722 -0.0001
580 0.4725 nan 0.1722 -0.0001
600 0.4707 nan 0.1722 -0.0002
620 0.4685 nan 0.1722 -0.0001
640 0.4660 nan 0.1722 -0.0001
660 0.4641 nan 0.1722 -0.0001
665 0.4637 nan 0.1722 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9822 nan 0.1728 0.0589
2 0.9082 nan 0.1728 0.0374
3 0.8573 nan 0.1728 0.0257
4 0.8189 nan 0.1728 0.0188
5 0.7890 nan 0.1728 0.0147
6 0.7666 nan 0.1728 0.0112
7 0.7473 nan 0.1728 0.0091
8 0.7263 nan 0.1728 0.0104
9 0.7132 nan 0.1728 0.0058
10 0.7016 nan 0.1728 0.0056
20 0.6342 nan 0.1728 0.0019
40 0.5938 nan 0.1728 0.0001
60 0.5784 nan 0.1728 0.0000
80 0.5698 nan 0.1728 -0.0001
100 0.5623 nan 0.1728 -0.0001
120 0.5565 nan 0.1728 -0.0002
140 0.5508 nan 0.1728 -0.0002
160 0.5469 nan 0.1728 -0.0000
180 0.5428 nan 0.1728 -0.0002
200 0.5395 nan 0.1728 -0.0001
220 0.5364 nan 0.1728 -0.0002
240 0.5338 nan 0.1728 -0.0002
260 0.5309 nan 0.1728 -0.0002
280 0.5280 nan 0.1728 -0.0002
300 0.5253 nan 0.1728 -0.0002
320 0.5230 nan 0.1728 -0.0002
340 0.5207 nan 0.1728 -0.0002
360 0.5187 nan 0.1728 -0.0003
380 0.5170 nan 0.1728 -0.0001
400 0.5150 nan 0.1728 -0.0003
420 0.5135 nan 0.1728 -0.0002
434 0.5123 nan 0.1728 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9849 nan 0.1746 0.0577
2 0.9107 nan 0.1746 0.0367
3 0.8621 nan 0.1746 0.0242
4 0.8258 nan 0.1746 0.0179
5 0.7931 nan 0.1746 0.0166
6 0.7691 nan 0.1746 0.0118
7 0.7481 nan 0.1746 0.0104
8 0.7317 nan 0.1746 0.0078
9 0.7171 nan 0.1746 0.0068
10 0.7043 nan 0.1746 0.0060
20 0.6415 nan 0.1746 0.0022
40 0.5960 nan 0.1746 0.0003
60 0.5796 nan 0.1746 -0.0000
80 0.5696 nan 0.1746 0.0000
100 0.5610 nan 0.1746 0.0000
120 0.5546 nan 0.1746 -0.0001
140 0.5478 nan 0.1746 -0.0000
160 0.5426 nan 0.1746 0.0006
180 0.5382 nan 0.1746 -0.0003
200 0.5335 nan 0.1746 -0.0002
220 0.5285 nan 0.1746 -0.0002
240 0.5251 nan 0.1746 -0.0002
260 0.5223 nan 0.1746 -0.0002
280 0.5193 nan 0.1746 -0.0001
300 0.5160 nan 0.1746 -0.0002
320 0.5128 nan 0.1746 -0.0001
340 0.5090 nan 0.1746 -0.0001
360 0.5063 nan 0.1746 -0.0001
380 0.5038 nan 0.1746 -0.0000
400 0.5009 nan 0.1746 -0.0001
420 0.4981 nan 0.1746 -0.0001
440 0.4952 nan 0.1746 -0.0002
460 0.4921 nan 0.1746 -0.0001
480 0.4899 nan 0.1746 -0.0001
500 0.4878 nan 0.1746 -0.0001
520 0.4859 nan 0.1746 -0.0002
540 0.4837 nan 0.1746 -0.0002
560 0.4809 nan 0.1746 -0.0001
580 0.4789 nan 0.1746 -0.0001
600 0.4771 nan 0.1746 -0.0002
620 0.4746 nan 0.1746 0.0001
640 0.4722 nan 0.1746 -0.0001
660 0.4701 nan 0.1746 -0.0002
680 0.4684 nan 0.1746 -0.0001
700 0.4660 nan 0.1746 -0.0002
720 0.4631 nan 0.1746 -0.0001
740 0.4608 nan 0.1746 -0.0001
760 0.4590 nan 0.1746 -0.0001
780 0.4568 nan 0.1746 -0.0001
800 0.4551 nan 0.1746 -0.0002
820 0.4534 nan 0.1746 -0.0001
840 0.4515 nan 0.1746 -0.0001
860 0.4494 nan 0.1746 -0.0002
870 0.4484 nan 0.1746 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9949 nan 0.1804 0.0527
2 0.9223 nan 0.1804 0.0357
3 0.8749 nan 0.1804 0.0234
4 0.8370 nan 0.1804 0.0190
5 0.8047 nan 0.1804 0.0159
6 0.7836 nan 0.1804 0.0101
7 0.7653 nan 0.1804 0.0083
8 0.7490 nan 0.1804 0.0081
9 0.7350 nan 0.1804 0.0067
10 0.7250 nan 0.1804 0.0045
20 0.6549 nan 0.1804 0.0017
40 0.6116 nan 0.1804 0.0007
60 0.5946 nan 0.1804 0.0001
80 0.5826 nan 0.1804 0.0000
100 0.5754 nan 0.1804 -0.0001
120 0.5706 nan 0.1804 -0.0001
140 0.5652 nan 0.1804 -0.0001
160 0.5624 nan 0.1804 -0.0002
180 0.5596 nan 0.1804 0.0000
200 0.5560 nan 0.1804 -0.0002
220 0.5532 nan 0.1804 -0.0001
240 0.5506 nan 0.1804 -0.0002
260 0.5487 nan 0.1804 -0.0003
280 0.5458 nan 0.1804 0.0000
300 0.5429 nan 0.1804 -0.0000
320 0.5408 nan 0.1804 -0.0001
340 0.5390 nan 0.1804 -0.0001
360 0.5370 nan 0.1804 -0.0001
380 0.5348 nan 0.1804 -0.0002
400 0.5334 nan 0.1804 -0.0001
420 0.5319 nan 0.1804 -0.0001
440 0.5305 nan 0.1804 -0.0002
460 0.5286 nan 0.1804 -0.0001
480 0.5273 nan 0.1804 -0.0002
500 0.5258 nan 0.1804 -0.0001
520 0.5245 nan 0.1804 -0.0001
540 0.5235 nan 0.1804 -0.0001
560 0.5227 nan 0.1804 -0.0002
580 0.5211 nan 0.1804 -0.0002
600 0.5191 nan 0.1804 -0.0001
620 0.5180 nan 0.1804 -0.0002
640 0.5172 nan 0.1804 -0.0001
660 0.5162 nan 0.1804 -0.0001
667 0.5159 nan 0.1804 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9921 nan 0.1837 0.0528
2 0.9184 nan 0.1837 0.0365
3 0.8716 nan 0.1837 0.0230
4 0.8303 nan 0.1837 0.0205
5 0.7996 nan 0.1837 0.0152
6 0.7749 nan 0.1837 0.0122
7 0.7560 nan 0.1837 0.0094
8 0.7413 nan 0.1837 0.0070
9 0.7291 nan 0.1837 0.0057
10 0.7184 nan 0.1837 0.0056
20 0.6528 nan 0.1837 0.0020
40 0.6092 nan 0.1837 0.0003
60 0.5917 nan 0.1837 0.0001
80 0.5803 nan 0.1837 0.0000
100 0.5721 nan 0.1837 -0.0000
120 0.5672 nan 0.1837 -0.0000
140 0.5624 nan 0.1837 -0.0001
160 0.5579 nan 0.1837 -0.0001
180 0.5535 nan 0.1837 -0.0001
200 0.5507 nan 0.1837 -0.0003
220 0.5476 nan 0.1837 -0.0001
240 0.5455 nan 0.1837 -0.0001
260 0.5424 nan 0.1837 -0.0002
280 0.5405 nan 0.1837 -0.0002
300 0.5369 nan 0.1837 -0.0001
320 0.5355 nan 0.1837 -0.0002
340 0.5336 nan 0.1837 -0.0001
360 0.5319 nan 0.1837 -0.0001
380 0.5301 nan 0.1837 -0.0001
400 0.5284 nan 0.1837 -0.0002
420 0.5267 nan 0.1837 -0.0002
440 0.5250 nan 0.1837 -0.0001
460 0.5237 nan 0.1837 -0.0002
480 0.5218 nan 0.1837 0.0001
500 0.5203 nan 0.1837 -0.0001
507 0.5200 nan 0.1837 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0072 nan 0.1839 0.0466
2 0.9435 nan 0.1839 0.0303
3 0.8992 nan 0.1839 0.0217
4 0.8570 nan 0.1839 0.0213
5 0.8294 nan 0.1839 0.0135
6 0.8052 nan 0.1839 0.0125
7 0.7887 nan 0.1839 0.0077
8 0.7756 nan 0.1839 0.0065
9 0.7595 nan 0.1839 0.0080
10 0.7461 nan 0.1839 0.0064
20 0.6729 nan 0.1839 0.0028
40 0.6269 nan 0.1839 0.0007
60 0.6096 nan 0.1839 0.0002
80 0.5986 nan 0.1839 -0.0000
100 0.5913 nan 0.1839 -0.0000
120 0.5861 nan 0.1839 0.0001
140 0.5822 nan 0.1839 -0.0001
160 0.5790 nan 0.1839 -0.0000
180 0.5758 nan 0.1839 -0.0001
200 0.5736 nan 0.1839 -0.0000
220 0.5713 nan 0.1839 -0.0001
240 0.5684 nan 0.1839 -0.0001
260 0.5667 nan 0.1839 -0.0001
280 0.5651 nan 0.1839 0.0000
300 0.5627 nan 0.1839 -0.0001
320 0.5604 nan 0.1839 -0.0002
340 0.5587 nan 0.1839 -0.0002
360 0.5575 nan 0.1839 -0.0001
380 0.5560 nan 0.1839 -0.0001
400 0.5545 nan 0.1839 -0.0001
420 0.5537 nan 0.1839 -0.0001
440 0.5526 nan 0.1839 -0.0002
460 0.5517 nan 0.1839 -0.0002
480 0.5510 nan 0.1839 -0.0000
500 0.5499 nan 0.1839 -0.0001
520 0.5489 nan 0.1839 -0.0002
540 0.5484 nan 0.1839 -0.0001
560 0.5474 nan 0.1839 -0.0001
580 0.5464 nan 0.1839 -0.0001
600 0.5457 nan 0.1839 -0.0001
620 0.5451 nan 0.1839 -0.0001
640 0.5440 nan 0.1839 -0.0001
660 0.5432 nan 0.1839 -0.0001
680 0.5424 nan 0.1839 -0.0000
700 0.5418 nan 0.1839 -0.0001
706 0.5416 nan 0.1839 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0021 nan 0.1931 0.0485
2 0.9374 nan 0.1931 0.0315
3 0.8841 nan 0.1931 0.0258
4 0.8477 nan 0.1931 0.0184
5 0.8240 nan 0.1931 0.0118
6 0.8066 nan 0.1931 0.0081
7 0.7851 nan 0.1931 0.0106
8 0.7720 nan 0.1931 0.0062
9 0.7569 nan 0.1931 0.0077
10 0.7454 nan 0.1931 0.0057
20 0.6720 nan 0.1931 0.0011
40 0.6249 nan 0.1931 0.0001
60 0.6068 nan 0.1931 -0.0000
80 0.5971 nan 0.1931 0.0001
100 0.5900 nan 0.1931 -0.0000
120 0.5837 nan 0.1931 -0.0001
140 0.5795 nan 0.1931 -0.0001
160 0.5762 nan 0.1931 -0.0001
180 0.5741 nan 0.1931 -0.0001
200 0.5714 nan 0.1931 -0.0001
220 0.5681 nan 0.1931 -0.0001
240 0.5657 nan 0.1931 0.0000
260 0.5630 nan 0.1931 -0.0002
280 0.5602 nan 0.1931 -0.0002
300 0.5587 nan 0.1931 -0.0000
320 0.5572 nan 0.1931 -0.0001
340 0.5558 nan 0.1931 -0.0001
360 0.5540 nan 0.1931 -0.0001
380 0.5529 nan 0.1931 -0.0000
400 0.5515 nan 0.1931 -0.0001
420 0.5497 nan 0.1931 -0.0001
440 0.5489 nan 0.1931 -0.0001
460 0.5470 nan 0.1931 -0.0001
480 0.5461 nan 0.1931 -0.0001
500 0.5449 nan 0.1931 -0.0001
520 0.5438 nan 0.1931 -0.0001
540 0.5424 nan 0.1931 -0.0001
560 0.5415 nan 0.1931 -0.0000
580 0.5406 nan 0.1931 -0.0001
600 0.5396 nan 0.1931 -0.0001
620 0.5390 nan 0.1931 -0.0001
637 0.5382 nan 0.1931 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9878 nan 0.1938 0.0563
2 0.9118 nan 0.1938 0.0382
3 0.8626 nan 0.1938 0.0248
4 0.8297 nan 0.1938 0.0170
5 0.7986 nan 0.1938 0.0153
6 0.7775 nan 0.1938 0.0100
7 0.7561 nan 0.1938 0.0105
8 0.7387 nan 0.1938 0.0085
9 0.7260 nan 0.1938 0.0059
10 0.7158 nan 0.1938 0.0045
20 0.6497 nan 0.1938 0.0012
40 0.6070 nan 0.1938 0.0005
60 0.5896 nan 0.1938 -0.0001
80 0.5778 nan 0.1938 0.0000
100 0.5704 nan 0.1938 -0.0001
120 0.5641 nan 0.1938 -0.0001
140 0.5590 nan 0.1938 -0.0001
160 0.5541 nan 0.1938 -0.0002
180 0.5507 nan 0.1938 -0.0001
200 0.5482 nan 0.1938 -0.0002
220 0.5454 nan 0.1938 -0.0002
240 0.5420 nan 0.1938 -0.0001
260 0.5387 nan 0.1938 -0.0001
280 0.5362 nan 0.1938 -0.0002
300 0.5329 nan 0.1938 -0.0000
320 0.5310 nan 0.1938 -0.0001
340 0.5294 nan 0.1938 -0.0002
360 0.5270 nan 0.1938 -0.0001
380 0.5252 nan 0.1938 -0.0001
400 0.5226 nan 0.1938 -0.0001
420 0.5208 nan 0.1938 -0.0001
440 0.5188 nan 0.1938 -0.0001
460 0.5172 nan 0.1938 -0.0002
480 0.5152 nan 0.1938 -0.0000
500 0.5139 nan 0.1938 -0.0002
520 0.5127 nan 0.1938 -0.0001
523 0.5124 nan 0.1938 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0270 nan 0.1946 0.0359
2 0.9828 nan 0.1946 0.0212
3 0.9407 nan 0.1946 0.0220
4 0.9114 nan 0.1946 0.0145
5 0.8822 nan 0.1946 0.0146
6 0.8641 nan 0.1946 0.0091
7 0.8445 nan 0.1946 0.0098
8 0.8275 nan 0.1946 0.0081
9 0.8162 nan 0.1946 0.0054
10 0.8055 nan 0.1946 0.0053
20 0.7265 nan 0.1946 0.0033
40 0.6645 nan 0.1946 0.0006
60 0.6384 nan 0.1946 0.0002
80 0.6254 nan 0.1946 0.0000
100 0.6164 nan 0.1946 -0.0000
120 0.6089 nan 0.1946 0.0001
140 0.6043 nan 0.1946 -0.0000
160 0.5999 nan 0.1946 0.0002
180 0.5969 nan 0.1946 -0.0000
200 0.5941 nan 0.1946 0.0001
220 0.5925 nan 0.1946 -0.0001
240 0.5907 nan 0.1946 -0.0001
260 0.5894 nan 0.1946 -0.0001
280 0.5874 nan 0.1946 -0.0000
300 0.5864 nan 0.1946 -0.0001
320 0.5853 nan 0.1946 -0.0001
340 0.5844 nan 0.1946 -0.0001
360 0.5833 nan 0.1946 -0.0001
380 0.5827 nan 0.1946 -0.0001
400 0.5821 nan 0.1946 -0.0001
420 0.5811 nan 0.1946 0.0000
440 0.5805 nan 0.1946 -0.0001
460 0.5799 nan 0.1946 -0.0001
480 0.5789 nan 0.1946 -0.0001
500 0.5785 nan 0.1946 -0.0001
520 0.5781 nan 0.1946 -0.0001
540 0.5775 nan 0.1946 -0.0000
560 0.5771 nan 0.1946 -0.0000
580 0.5767 nan 0.1946 -0.0001
600 0.5764 nan 0.1946 -0.0000
603 0.5763 nan 0.1946 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0025 nan 0.1956 0.0495
2 0.9380 nan 0.1956 0.0325
3 0.8843 nan 0.1956 0.0264
4 0.8487 nan 0.1956 0.0181
5 0.8246 nan 0.1956 0.0124
6 0.8012 nan 0.1956 0.0118
7 0.7843 nan 0.1956 0.0084
8 0.7650 nan 0.1956 0.0094
9 0.7526 nan 0.1956 0.0057
10 0.7422 nan 0.1956 0.0048
20 0.6685 nan 0.1956 0.0024
40 0.6230 nan 0.1956 0.0005
60 0.6032 nan 0.1956 0.0002
80 0.5918 nan 0.1956 0.0001
100 0.5847 nan 0.1956 0.0002
120 0.5797 nan 0.1956 -0.0002
140 0.5747 nan 0.1956 -0.0002
160 0.5702 nan 0.1956 0.0000
180 0.5662 nan 0.1956 -0.0001
200 0.5638 nan 0.1956 -0.0001
220 0.5610 nan 0.1956 -0.0002
240 0.5588 nan 0.1956 -0.0001
260 0.5566 nan 0.1956 -0.0001
280 0.5546 nan 0.1956 -0.0003
300 0.5529 nan 0.1956 -0.0001
310 0.5521 nan 0.1956 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0053 nan 0.1958 0.0464
2 0.9372 nan 0.1958 0.0340
3 0.8864 nan 0.1958 0.0259
4 0.8567 nan 0.1958 0.0147
5 0.8262 nan 0.1958 0.0149
6 0.7996 nan 0.1958 0.0128
7 0.7791 nan 0.1958 0.0101
8 0.7639 nan 0.1958 0.0075
9 0.7496 nan 0.1958 0.0068
10 0.7374 nan 0.1958 0.0057
20 0.6681 nan 0.1958 0.0028
40 0.6250 nan 0.1958 0.0003
60 0.6063 nan 0.1958 0.0001
80 0.5955 nan 0.1958 -0.0000
100 0.5890 nan 0.1958 0.0000
120 0.5839 nan 0.1958 0.0000
140 0.5786 nan 0.1958 0.0000
160 0.5740 nan 0.1958 -0.0000
180 0.5708 nan 0.1958 -0.0001
200 0.5678 nan 0.1958 -0.0001
220 0.5657 nan 0.1958 -0.0001
240 0.5628 nan 0.1958 -0.0000
260 0.5610 nan 0.1958 -0.0001
280 0.5594 nan 0.1958 -0.0000
300 0.5580 nan 0.1958 -0.0000
320 0.5566 nan 0.1958 -0.0001
340 0.5551 nan 0.1958 -0.0001
360 0.5537 nan 0.1958 -0.0001
380 0.5524 nan 0.1958 -0.0001
400 0.5514 nan 0.1958 -0.0001
420 0.5506 nan 0.1958 -0.0001
440 0.5497 nan 0.1958 -0.0001
460 0.5485 nan 0.1958 -0.0001
467 0.5484 nan 0.1958 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0007 nan 0.1968 0.0490
2 0.9230 nan 0.1968 0.0394
3 0.8787 nan 0.1968 0.0219
4 0.8401 nan 0.1968 0.0189
5 0.8169 nan 0.1968 0.0119
6 0.7980 nan 0.1968 0.0093
7 0.7783 nan 0.1968 0.0097
8 0.7603 nan 0.1968 0.0093
9 0.7465 nan 0.1968 0.0066
10 0.7354 nan 0.1968 0.0053
20 0.6652 nan 0.1968 0.0020
40 0.6238 nan 0.1968 0.0003
60 0.6074 nan 0.1968 0.0000
80 0.5960 nan 0.1968 -0.0000
100 0.5870 nan 0.1968 0.0001
120 0.5812 nan 0.1968 0.0000
140 0.5766 nan 0.1968 -0.0001
160 0.5726 nan 0.1968 0.0001
180 0.5698 nan 0.1968 0.0000
200 0.5680 nan 0.1968 0.0000
220 0.5653 nan 0.1968 -0.0002
240 0.5627 nan 0.1968 -0.0001
260 0.5594 nan 0.1968 -0.0001
277 0.5579 nan 0.1968 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9999 nan 0.1973 0.0495
2 0.9359 nan 0.1973 0.0325
3 0.8817 nan 0.1973 0.0266
4 0.8488 nan 0.1973 0.0155
5 0.8199 nan 0.1973 0.0146
6 0.7954 nan 0.1973 0.0124
7 0.7768 nan 0.1973 0.0089
8 0.7616 nan 0.1973 0.0073
9 0.7507 nan 0.1973 0.0052
10 0.7372 nan 0.1973 0.0063
20 0.6677 nan 0.1973 0.0019
40 0.6225 nan 0.1973 0.0003
60 0.6047 nan 0.1973 0.0004
80 0.5935 nan 0.1973 -0.0002
100 0.5864 nan 0.1973 0.0004
120 0.5818 nan 0.1973 -0.0001
140 0.5777 nan 0.1973 -0.0000
160 0.5735 nan 0.1973 -0.0000
180 0.5698 nan 0.1973 -0.0001
200 0.5664 nan 0.1973 0.0000
220 0.5635 nan 0.1973 -0.0000
240 0.5618 nan 0.1973 -0.0000
260 0.5604 nan 0.1973 -0.0001
280 0.5588 nan 0.1973 -0.0002
300 0.5573 nan 0.1973 -0.0000
320 0.5553 nan 0.1973 0.0001
340 0.5534 nan 0.1973 -0.0002
360 0.5515 nan 0.1973 -0.0000
380 0.5500 nan 0.1973 -0.0001
400 0.5487 nan 0.1973 -0.0001
420 0.5477 nan 0.1973 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9847 nan 0.1983 0.0579
2 0.9088 nan 0.1983 0.0372
3 0.8615 nan 0.1983 0.0234
4 0.8210 nan 0.1983 0.0211
5 0.7927 nan 0.1983 0.0140
6 0.7660 nan 0.1983 0.0133
7 0.7505 nan 0.1983 0.0074
8 0.7352 nan 0.1983 0.0074
9 0.7207 nan 0.1983 0.0070
10 0.7080 nan 0.1983 0.0060
20 0.6431 nan 0.1983 0.0015
40 0.6058 nan 0.1983 0.0005
60 0.5908 nan 0.1983 0.0001
80 0.5811 nan 0.1983 0.0001
100 0.5734 nan 0.1983 -0.0001
120 0.5675 nan 0.1983 -0.0001
140 0.5634 nan 0.1983 -0.0001
160 0.5609 nan 0.1983 -0.0002
180 0.5566 nan 0.1983 -0.0001
200 0.5541 nan 0.1983 -0.0000
220 0.5514 nan 0.1983 -0.0001
240 0.5493 nan 0.1983 -0.0002
260 0.5472 nan 0.1983 -0.0003
280 0.5450 nan 0.1983 -0.0001
300 0.5428 nan 0.1983 -0.0001
320 0.5403 nan 0.1983 -0.0001
340 0.5380 nan 0.1983 -0.0000
360 0.5359 nan 0.1983 -0.0002
380 0.5349 nan 0.1983 -0.0001
400 0.5333 nan 0.1983 -0.0001
420 0.5314 nan 0.1983 -0.0002
440 0.5297 nan 0.1983 -0.0001
460 0.5282 nan 0.1983 -0.0002
480 0.5264 nan 0.1983 -0.0002
500 0.5250 nan 0.1983 -0.0001
520 0.5237 nan 0.1983 -0.0002
540 0.5226 nan 0.1983 -0.0002
560 0.5213 nan 0.1983 -0.0002
580 0.5203 nan 0.1983 -0.0001
594 0.5194 nan 0.1983 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9849 nan 0.1999 0.0576
2 0.9080 nan 0.1999 0.0383
3 0.8606 nan 0.1999 0.0231
4 0.8192 nan 0.1999 0.0205
5 0.7924 nan 0.1999 0.0131
6 0.7680 nan 0.1999 0.0120
7 0.7525 nan 0.1999 0.0082
8 0.7384 nan 0.1999 0.0065
9 0.7210 nan 0.1999 0.0086
10 0.7105 nan 0.1999 0.0052
20 0.6461 nan 0.1999 0.0016
40 0.6057 nan 0.1999 0.0004
60 0.5911 nan 0.1999 0.0001
80 0.5801 nan 0.1999 0.0001
100 0.5721 nan 0.1999 -0.0000
120 0.5658 nan 0.1999 0.0001
140 0.5614 nan 0.1999 -0.0001
160 0.5569 nan 0.1999 -0.0001
180 0.5533 nan 0.1999 -0.0001
196 0.5508 nan 0.1999 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0803 nan 0.0280 0.0104
2 1.0614 nan 0.0280 0.0094
3 1.0436 nan 0.0280 0.0089
4 1.0274 nan 0.0280 0.0082
5 1.0121 nan 0.0280 0.0078
6 0.9976 nan 0.0280 0.0072
7 0.9841 nan 0.0280 0.0067
8 0.9713 nan 0.0280 0.0064
9 0.9592 nan 0.0280 0.0060
10 0.9479 nan 0.0280 0.0056
20 0.8610 nan 0.0280 0.0035
40 0.7637 nan 0.0280 0.0019
60 0.7081 nan 0.0280 0.0010
80 0.6748 nan 0.0280 0.0005
100 0.6522 nan 0.0280 0.0004
120 0.6374 nan 0.0280 0.0003
140 0.6251 nan 0.0280 0.0003
160 0.6161 nan 0.0280 0.0002
180 0.6089 nan 0.0280 0.0001
200 0.6020 nan 0.0280 0.0002
220 0.5967 nan 0.0280 0.0001
240 0.5924 nan 0.0280 0.0001
260 0.5883 nan 0.0280 0.0001
280 0.5854 nan 0.0280 0.0001
300 0.5822 nan 0.0280 -0.0000
320 0.5796 nan 0.0280 0.0000
340 0.5769 nan 0.0280 0.0000
360 0.5748 nan 0.0280 -0.0000
380 0.5731 nan 0.0280 -0.0000
400 0.5715 nan 0.0280 0.0000
420 0.5695 nan 0.0280 -0.0000
440 0.5674 nan 0.0280 0.0000
460 0.5660 nan 0.0280 0.0000
480 0.5644 nan 0.0280 -0.0000
500 0.5631 nan 0.0280 -0.0000
520 0.5617 nan 0.0280 -0.0000
540 0.5604 nan 0.0280 -0.0000
560 0.5589 nan 0.0280 -0.0000
580 0.5578 nan 0.0280 -0.0000
600 0.5567 nan 0.0280 0.0000
620 0.5553 nan 0.0280 0.0000
640 0.5542 nan 0.0280 0.0000
660 0.5530 nan 0.0280 0.0000
680 0.5521 nan 0.0280 -0.0000
700 0.5511 nan 0.0280 -0.0000
720 0.5499 nan 0.0280 -0.0000
740 0.5490 nan 0.0280 -0.0000
760 0.5480 nan 0.0280 -0.0000
780 0.5470 nan 0.0280 -0.0000
800 0.5460 nan 0.0280 -0.0000
820 0.5451 nan 0.0280 -0.0000
840 0.5441 nan 0.0280 0.0000
860 0.5429 nan 0.0280 -0.0000
880 0.5418 nan 0.0280 -0.0000
900 0.5411 nan 0.0280 -0.0000
918 0.5404 nan 0.0280 0.0000
# Look at which variables are important
summary(trainOrigObjModel) var rel.inf
marital_statusmarried_civ_spouse marital_statusmarried_civ_spouse 34.16135346
capital_gain capital_gain 19.20552323
education_num education_num 18.45416192
capital_loss capital_loss 6.66847701
age age 6.03114395
hours_per_week hours_per_week 4.44560141
fnlwgt fnlwgt 1.98915324
occupationexec_managerial occupationexec_managerial 1.90791642
occupationprof_specialty occupationprof_specialty 0.98613882
relationshipwife relationshipwife 0.68180057
workclassself_emp_not_inc workclassself_emp_not_inc 0.43773952
occupationother_service occupationother_service 0.35619762
occupationsales occupationsales 0.27221095
occupationtech_support occupationtech_support 0.26637931
workclassfederal_gov workclassfederal_gov 0.25536157
occupationfarming_fishing occupationfarming_fishing 0.24999818
sexmale sexmale 0.19118599
workclasslocal_gov workclasslocal_gov 0.18774028
occupationprotective_serv occupationprotective_serv 0.18162010
educationbachelors educationbachelors 0.17513021
relationshipnot_in_family relationshipnot_in_family 0.16708585
racewhite racewhite 0.16095457
workclassself_emp_inc workclassself_emp_inc 0.15784371
relationshiphusband relationshiphusband 0.15645829
sexfemale sexfemale 0.15171247
native_countryunited_states native_countryunited_states 0.13447796
occupationadm_clerical occupationadm_clerical 0.10704619
marital_statusnever_married marital_statusnever_married 0.09479522
workclassprivate workclassprivate 0.09370143
occupationhandlers_cleaners occupationhandlers_cleaners 0.08224026
native_countrycanada native_countrycanada 0.07730735
occupationmachine_op_inspct occupationmachine_op_inspct 0.07331382
marital_statuswidowed marital_statuswidowed 0.06357668
native_countryitaly native_countryitaly 0.06339191
educationsome_college educationsome_college 0.06273104
raceblack raceblack 0.05844600
raceasian_pac_islander raceasian_pac_islander 0.05729385
[ reached 'max' / getOption("max.print") -- omitted 70 rows ]
# Which tuning parameters were most important
print(trainOrigObjModel)Stochastic Gradient Boosting
31247 samples
107 predictor
2 classes: 'high', 'low'
No pre-processing
Resampling: Cross-Validated (3 fold)
Summary of sample sizes: 20831, 20831, 20832
Resampling results across tuning parameters:
shrinkage interaction.depth n.minobsinnode n.trees ROC Sens
0.0116 5 30 628 0.9188784 0.5993847
0.0118 4 96 366 0.9110330 0.5557785
0.0134 4 35 260 0.9092771 0.5434724
0.0164 4 40 985 0.9215002 0.6221241
0.0166 3 56 136 0.9007916 0.5064205
0.0205 3 68 950 0.9200260 0.6162386
0.0280 5 6 918 0.9245893 0.6384430
0.0292 1 11 676 0.9114325 0.5595238
0.0297 4 6 401 0.9204292 0.6111557
0.0300 2 76 940 0.9188638 0.6110219
Spec
0.9483825
0.9525893
0.9543562
0.9452275
0.9571327
0.9450171
0.9442177
0.9522528
0.9474150
0.9450592
[ reached getOption("max.print") -- omitted 90 rows ]
ROC was used to select the optimal model using the largest value.
The final values used for the model were n.trees = 918, interaction.depth =
5, shrinkage = 0.028 and n.minobsinnode = 6.
Since the data was first split and then dummified, we need to add back some variables to the test set that might have occurred in the training set. Therefore, we nee to add back some missing dummy variables to the test set that were used to build the model.
# Adding missing dummy variables to test set ------------------------------
# Original countries
# Coefficient names used in the model
coefNames <- data.frame(names = trainOrigObjModel$coefnames) %>%
mutate(n = 1)
testOrigNames <- data.frame(names = names(testOrig)) %>%
mutate(n = 1)
# Check difference in Model Coefficient names and test dataset
nameDiff <- dplyr::anti_join(coefNames, testOrigNames)
# Add variables that are missing from test
for (nm in nameDiff$names) {
testOrig[[nm]] <- 0
}Build our model for the dataset with the Clusters
# Build model using clusters ----------------------------------------------
formFeats <- names(trainClust)[names(trainClust) != target]
modFormula <- formula(paste0(target, " ~ ", paste0(formFeats, collapse = " + ")))
set.seed(123)
trainClustObjModel <- caret::train(modFormula,
data = trainClust,
distribution = "bernoulli",
method = "gbm",
metric = "ROC",
trControl = objControl,
tuneGrid = gbmGrid)Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0917 nan 0.0116 0.0043
2 1.0836 nan 0.0116 0.0041
3 1.0756 nan 0.0116 0.0040
4 1.0676 nan 0.0116 0.0039
5 1.0601 nan 0.0116 0.0038
6 1.0528 nan 0.0116 0.0037
7 1.0457 nan 0.0116 0.0036
8 1.0388 nan 0.0116 0.0034
9 1.0322 nan 0.0116 0.0033
10 1.0257 nan 0.0116 0.0032
20 0.9688 nan 0.0116 0.0025
40 0.8878 nan 0.0116 0.0016
60 0.8323 nan 0.0116 0.0011
80 0.7919 nan 0.0116 0.0009
100 0.7596 nan 0.0116 0.0007
120 0.7340 nan 0.0116 0.0006
140 0.7144 nan 0.0116 0.0004
160 0.6976 nan 0.0116 0.0003
180 0.6843 nan 0.0116 0.0003
200 0.6726 nan 0.0116 0.0002
220 0.6624 nan 0.0116 0.0002
240 0.6540 nan 0.0116 0.0002
260 0.6471 nan 0.0116 0.0002
280 0.6408 nan 0.0116 0.0001
300 0.6352 nan 0.0116 0.0001
320 0.6300 nan 0.0116 0.0001
340 0.6257 nan 0.0116 0.0001
360 0.6215 nan 0.0116 0.0001
380 0.6178 nan 0.0116 0.0000
400 0.6146 nan 0.0116 0.0000
420 0.6115 nan 0.0116 0.0001
440 0.6087 nan 0.0116 0.0000
460 0.6060 nan 0.0116 0.0000
480 0.6036 nan 0.0116 0.0000
500 0.6012 nan 0.0116 0.0000
520 0.5990 nan 0.0116 0.0001
540 0.5969 nan 0.0116 0.0000
560 0.5948 nan 0.0116 0.0000
580 0.5930 nan 0.0116 0.0000
600 0.5915 nan 0.0116 0.0000
620 0.5897 nan 0.0116 0.0001
628 0.5889 nan 0.0116 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0923 nan 0.0118 0.0041
2 1.0843 nan 0.0118 0.0040
3 1.0766 nan 0.0118 0.0039
4 1.0690 nan 0.0118 0.0038
5 1.0618 nan 0.0118 0.0038
6 1.0547 nan 0.0118 0.0035
7 1.0475 nan 0.0118 0.0036
8 1.0407 nan 0.0118 0.0034
9 1.0342 nan 0.0118 0.0032
10 1.0278 nan 0.0118 0.0032
20 0.9727 nan 0.0118 0.0024
40 0.8939 nan 0.0118 0.0016
60 0.8410 nan 0.0118 0.0011
80 0.8006 nan 0.0118 0.0007
100 0.7682 nan 0.0118 0.0008
120 0.7441 nan 0.0118 0.0006
140 0.7239 nan 0.0118 0.0005
160 0.7074 nan 0.0118 0.0004
180 0.6936 nan 0.0118 0.0003
200 0.6824 nan 0.0118 0.0002
220 0.6727 nan 0.0118 0.0002
240 0.6642 nan 0.0118 0.0002
260 0.6571 nan 0.0118 0.0001
280 0.6507 nan 0.0118 0.0002
300 0.6452 nan 0.0118 0.0001
320 0.6405 nan 0.0118 0.0001
340 0.6363 nan 0.0118 0.0001
360 0.6325 nan 0.0118 0.0001
366 0.6315 nan 0.0118 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0907 nan 0.0134 0.0047
2 1.0816 nan 0.0134 0.0046
3 1.0730 nan 0.0134 0.0043
4 1.0645 nan 0.0134 0.0042
5 1.0562 nan 0.0134 0.0042
6 1.0481 nan 0.0134 0.0040
7 1.0404 nan 0.0134 0.0038
8 1.0331 nan 0.0134 0.0037
9 1.0260 nan 0.0134 0.0035
10 1.0190 nan 0.0134 0.0035
20 0.9593 nan 0.0134 0.0026
40 0.8768 nan 0.0134 0.0016
60 0.8223 nan 0.0134 0.0011
80 0.7819 nan 0.0134 0.0008
100 0.7501 nan 0.0134 0.0007
120 0.7266 nan 0.0134 0.0004
140 0.7077 nan 0.0134 0.0003
160 0.6918 nan 0.0134 0.0004
180 0.6791 nan 0.0134 0.0002
200 0.6684 nan 0.0134 0.0002
220 0.6593 nan 0.0134 0.0002
240 0.6520 nan 0.0134 0.0002
260 0.6455 nan 0.0134 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0889 nan 0.0164 0.0056
2 1.0777 nan 0.0164 0.0055
3 1.0671 nan 0.0164 0.0053
4 1.0569 nan 0.0164 0.0050
5 1.0474 nan 0.0164 0.0049
6 1.0381 nan 0.0164 0.0046
7 1.0290 nan 0.0164 0.0044
8 1.0203 nan 0.0164 0.0043
9 1.0120 nan 0.0164 0.0041
10 1.0040 nan 0.0164 0.0040
20 0.9372 nan 0.0164 0.0029
40 0.8499 nan 0.0164 0.0016
60 0.7942 nan 0.0164 0.0013
80 0.7545 nan 0.0164 0.0008
100 0.7247 nan 0.0164 0.0005
120 0.7022 nan 0.0164 0.0003
140 0.6848 nan 0.0164 0.0003
160 0.6711 nan 0.0164 0.0003
180 0.6600 nan 0.0164 0.0002
200 0.6508 nan 0.0164 0.0002
220 0.6432 nan 0.0164 0.0002
240 0.6370 nan 0.0164 0.0001
260 0.6315 nan 0.0164 0.0001
280 0.6262 nan 0.0164 0.0001
300 0.6219 nan 0.0164 0.0001
320 0.6174 nan 0.0164 0.0001
340 0.6136 nan 0.0164 0.0001
360 0.6103 nan 0.0164 0.0000
380 0.6074 nan 0.0164 0.0001
400 0.6046 nan 0.0164 0.0000
420 0.6023 nan 0.0164 0.0000
440 0.6002 nan 0.0164 0.0000
460 0.5981 nan 0.0164 0.0000
480 0.5959 nan 0.0164 0.0001
500 0.5941 nan 0.0164 0.0000
520 0.5925 nan 0.0164 0.0000
540 0.5910 nan 0.0164 0.0000
560 0.5898 nan 0.0164 -0.0000
580 0.5885 nan 0.0164 0.0000
600 0.5871 nan 0.0164 -0.0000
620 0.5858 nan 0.0164 0.0000
640 0.5843 nan 0.0164 0.0000
660 0.5832 nan 0.0164 -0.0000
680 0.5820 nan 0.0164 -0.0000
700 0.5809 nan 0.0164 0.0000
720 0.5799 nan 0.0164 -0.0000
740 0.5789 nan 0.0164 -0.0000
760 0.5780 nan 0.0164 -0.0000
780 0.5771 nan 0.0164 -0.0000
800 0.5762 nan 0.0164 -0.0000
820 0.5752 nan 0.0164 -0.0000
840 0.5743 nan 0.0164 0.0000
860 0.5735 nan 0.0164 0.0000
880 0.5727 nan 0.0164 0.0000
900 0.5718 nan 0.0164 -0.0000
920 0.5711 nan 0.0164 -0.0000
940 0.5704 nan 0.0164 -0.0000
960 0.5696 nan 0.0164 -0.0000
980 0.5688 nan 0.0164 0.0000
985 0.5686 nan 0.0164 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0899 nan 0.0166 0.0053
2 1.0798 nan 0.0166 0.0050
3 1.0703 nan 0.0166 0.0048
4 1.0611 nan 0.0166 0.0046
5 1.0522 nan 0.0166 0.0045
6 1.0435 nan 0.0166 0.0043
7 1.0353 nan 0.0166 0.0042
8 1.0274 nan 0.0166 0.0040
9 1.0194 nan 0.0166 0.0040
10 1.0116 nan 0.0166 0.0038
20 0.9476 nan 0.0166 0.0028
40 0.8599 nan 0.0166 0.0016
60 0.8050 nan 0.0166 0.0010
80 0.7673 nan 0.0166 0.0007
100 0.7396 nan 0.0166 0.0006
120 0.7178 nan 0.0166 0.0006
136 0.7036 nan 0.0166 0.0004
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0873 nan 0.0205 0.0066
2 1.0749 nan 0.0205 0.0062
3 1.0633 nan 0.0205 0.0058
4 1.0523 nan 0.0205 0.0055
5 1.0415 nan 0.0205 0.0054
6 1.0313 nan 0.0205 0.0051
7 1.0216 nan 0.0205 0.0049
8 1.0123 nan 0.0205 0.0046
9 1.0033 nan 0.0205 0.0046
10 0.9946 nan 0.0205 0.0043
20 0.9232 nan 0.0205 0.0030
40 0.8305 nan 0.0205 0.0018
60 0.7766 nan 0.0205 0.0009
80 0.7407 nan 0.0205 0.0007
100 0.7135 nan 0.0205 0.0005
120 0.6937 nan 0.0205 0.0005
140 0.6783 nan 0.0205 0.0003
160 0.6655 nan 0.0205 0.0003
180 0.6557 nan 0.0205 0.0001
200 0.6475 nan 0.0205 0.0002
220 0.6414 nan 0.0205 0.0001
240 0.6360 nan 0.0205 0.0001
260 0.6311 nan 0.0205 0.0001
280 0.6271 nan 0.0205 0.0000
300 0.6236 nan 0.0205 0.0000
320 0.6203 nan 0.0205 0.0001
340 0.6175 nan 0.0205 0.0000
360 0.6146 nan 0.0205 0.0000
380 0.6120 nan 0.0205 0.0000
400 0.6097 nan 0.0205 0.0000
420 0.6073 nan 0.0205 0.0000
440 0.6053 nan 0.0205 0.0001
460 0.6034 nan 0.0205 0.0000
480 0.6017 nan 0.0205 0.0000
500 0.6001 nan 0.0205 0.0001
520 0.5987 nan 0.0205 0.0000
540 0.5973 nan 0.0205 0.0000
560 0.5959 nan 0.0205 -0.0000
580 0.5947 nan 0.0205 0.0000
600 0.5935 nan 0.0205 0.0000
620 0.5922 nan 0.0205 -0.0000
640 0.5911 nan 0.0205 -0.0000
660 0.5901 nan 0.0205 0.0000
680 0.5890 nan 0.0205 0.0000
700 0.5879 nan 0.0205 0.0000
720 0.5871 nan 0.0205 -0.0000
740 0.5861 nan 0.0205 -0.0000
760 0.5851 nan 0.0205 0.0000
780 0.5843 nan 0.0205 0.0000
800 0.5834 nan 0.0205 -0.0000
820 0.5825 nan 0.0205 -0.0000
840 0.5816 nan 0.0205 0.0000
860 0.5808 nan 0.0205 -0.0000
880 0.5802 nan 0.0205 -0.0000
900 0.5794 nan 0.0205 -0.0000
920 0.5786 nan 0.0205 -0.0000
940 0.5780 nan 0.0205 -0.0000
950 0.5778 nan 0.0205 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0806 nan 0.0280 0.0101
2 1.0618 nan 0.0280 0.0095
3 1.0439 nan 0.0280 0.0087
4 1.0276 nan 0.0280 0.0082
5 1.0125 nan 0.0280 0.0075
6 0.9981 nan 0.0280 0.0070
7 0.9845 nan 0.0280 0.0067
8 0.9720 nan 0.0280 0.0064
9 0.9599 nan 0.0280 0.0061
10 0.9484 nan 0.0280 0.0057
20 0.8620 nan 0.0280 0.0035
40 0.7656 nan 0.0280 0.0017
60 0.7101 nan 0.0280 0.0009
80 0.6758 nan 0.0280 0.0006
100 0.6537 nan 0.0280 0.0005
120 0.6380 nan 0.0280 0.0005
140 0.6266 nan 0.0280 0.0002
160 0.6165 nan 0.0280 0.0004
180 0.6089 nan 0.0280 0.0001
200 0.6026 nan 0.0280 0.0001
220 0.5977 nan 0.0280 0.0000
240 0.5927 nan 0.0280 0.0002
260 0.5889 nan 0.0280 -0.0000
280 0.5852 nan 0.0280 0.0000
300 0.5817 nan 0.0280 0.0000
320 0.5785 nan 0.0280 0.0000
340 0.5759 nan 0.0280 0.0000
360 0.5738 nan 0.0280 0.0000
380 0.5714 nan 0.0280 0.0000
400 0.5692 nan 0.0280 0.0000
420 0.5677 nan 0.0280 -0.0000
440 0.5660 nan 0.0280 -0.0000
460 0.5638 nan 0.0280 0.0001
480 0.5620 nan 0.0280 0.0000
500 0.5604 nan 0.0280 -0.0000
520 0.5587 nan 0.0280 -0.0000
540 0.5569 nan 0.0280 -0.0000
560 0.5555 nan 0.0280 -0.0000
580 0.5539 nan 0.0280 -0.0000
600 0.5524 nan 0.0280 -0.0000
620 0.5510 nan 0.0280 0.0000
640 0.5491 nan 0.0280 -0.0000
660 0.5478 nan 0.0280 0.0000
680 0.5465 nan 0.0280 0.0000
700 0.5452 nan 0.0280 0.0001
720 0.5439 nan 0.0280 -0.0000
740 0.5426 nan 0.0280 -0.0000
760 0.5413 nan 0.0280 -0.0000
780 0.5403 nan 0.0280 -0.0000
800 0.5390 nan 0.0280 -0.0000
820 0.5380 nan 0.0280 -0.0000
840 0.5368 nan 0.0280 0.0000
860 0.5357 nan 0.0280 -0.0000
880 0.5346 nan 0.0280 -0.0000
900 0.5337 nan 0.0280 -0.0000
918 0.5329 nan 0.0280 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0889 nan 0.0292 0.0058
2 1.0779 nan 0.0292 0.0055
3 1.0676 nan 0.0292 0.0051
4 1.0582 nan 0.0292 0.0048
5 1.0489 nan 0.0292 0.0045
6 1.0403 nan 0.0292 0.0043
7 1.0320 nan 0.0292 0.0040
8 1.0244 nan 0.0292 0.0038
9 1.0176 nan 0.0292 0.0034
10 1.0102 nan 0.0292 0.0036
20 0.9546 nan 0.0292 0.0026
40 0.8784 nan 0.0292 0.0015
60 0.8299 nan 0.0292 0.0010
80 0.7953 nan 0.0292 0.0006
100 0.7691 nan 0.0292 0.0007
120 0.7482 nan 0.0292 0.0005
140 0.7313 nan 0.0292 0.0002
160 0.7170 nan 0.0292 0.0004
180 0.7043 nan 0.0292 0.0003
200 0.6941 nan 0.0292 0.0002
220 0.6850 nan 0.0292 0.0003
240 0.6778 nan 0.0292 0.0002
260 0.6712 nan 0.0292 0.0001
280 0.6654 nan 0.0292 0.0001
300 0.6605 nan 0.0292 0.0001
320 0.6553 nan 0.0292 0.0001
340 0.6514 nan 0.0292 0.0001
360 0.6480 nan 0.0292 0.0000
380 0.6450 nan 0.0292 0.0000
400 0.6421 nan 0.0292 0.0001
420 0.6393 nan 0.0292 0.0000
440 0.6371 nan 0.0292 0.0000
460 0.6351 nan 0.0292 0.0000
480 0.6331 nan 0.0292 0.0000
500 0.6315 nan 0.0292 0.0000
520 0.6298 nan 0.0292 0.0000
540 0.6280 nan 0.0292 0.0001
560 0.6264 nan 0.0292 -0.0000
580 0.6250 nan 0.0292 0.0000
600 0.6237 nan 0.0292 0.0000
620 0.6224 nan 0.0292 0.0000
640 0.6211 nan 0.0292 0.0000
660 0.6199 nan 0.0292 -0.0000
676 0.6190 nan 0.0292 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0796 nan 0.0297 0.0103
2 1.0602 nan 0.0297 0.0095
3 1.0426 nan 0.0297 0.0089
4 1.0263 nan 0.0297 0.0083
5 1.0112 nan 0.0297 0.0075
6 0.9971 nan 0.0297 0.0070
7 0.9836 nan 0.0297 0.0068
8 0.9711 nan 0.0297 0.0062
9 0.9593 nan 0.0297 0.0060
10 0.9482 nan 0.0297 0.0056
20 0.8628 nan 0.0297 0.0033
40 0.7661 nan 0.0297 0.0014
60 0.7126 nan 0.0297 0.0010
80 0.6814 nan 0.0297 0.0004
100 0.6598 nan 0.0297 0.0004
120 0.6441 nan 0.0297 0.0002
140 0.6326 nan 0.0297 0.0002
160 0.6233 nan 0.0297 0.0001
180 0.6155 nan 0.0297 0.0001
200 0.6093 nan 0.0297 0.0001
220 0.6042 nan 0.0297 0.0000
240 0.5995 nan 0.0297 0.0001
260 0.5966 nan 0.0297 0.0000
280 0.5932 nan 0.0297 0.0000
300 0.5898 nan 0.0297 0.0000
320 0.5871 nan 0.0297 0.0000
340 0.5849 nan 0.0297 0.0000
360 0.5821 nan 0.0297 0.0001
380 0.5799 nan 0.0297 0.0001
400 0.5777 nan 0.0297 -0.0000
401 0.5777 nan 0.0297 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0837 nan 0.0300 0.0082
2 1.0682 nan 0.0300 0.0077
3 1.0540 nan 0.0300 0.0071
4 1.0410 nan 0.0300 0.0065
5 1.0288 nan 0.0300 0.0061
6 1.0170 nan 0.0300 0.0057
7 1.0058 nan 0.0300 0.0055
8 0.9953 nan 0.0300 0.0051
9 0.9856 nan 0.0300 0.0048
10 0.9762 nan 0.0300 0.0046
20 0.8937 nan 0.0300 0.0029
40 0.8080 nan 0.0300 0.0015
60 0.7579 nan 0.0300 0.0010
80 0.7254 nan 0.0300 0.0008
100 0.7010 nan 0.0300 0.0004
120 0.6829 nan 0.0300 0.0004
140 0.6686 nan 0.0300 0.0002
160 0.6585 nan 0.0300 0.0002
180 0.6499 nan 0.0300 0.0003
200 0.6428 nan 0.0300 0.0001
220 0.6372 nan 0.0300 0.0001
240 0.6328 nan 0.0300 0.0000
260 0.6286 nan 0.0300 0.0000
280 0.6252 nan 0.0300 0.0000
300 0.6219 nan 0.0300 0.0000
320 0.6196 nan 0.0300 0.0000
340 0.6172 nan 0.0300 0.0000
360 0.6146 nan 0.0300 0.0001
380 0.6123 nan 0.0300 0.0000
400 0.6104 nan 0.0300 0.0000
420 0.6086 nan 0.0300 0.0000
440 0.6067 nan 0.0300 0.0000
460 0.6051 nan 0.0300 -0.0000
480 0.6035 nan 0.0300 0.0000
500 0.6020 nan 0.0300 0.0000
520 0.6005 nan 0.0300 0.0000
540 0.5994 nan 0.0300 0.0000
560 0.5980 nan 0.0300 0.0000
580 0.5967 nan 0.0300 0.0000
600 0.5955 nan 0.0300 0.0000
620 0.5943 nan 0.0300 0.0000
640 0.5934 nan 0.0300 0.0000
660 0.5925 nan 0.0300 -0.0000
680 0.5917 nan 0.0300 0.0000
700 0.5908 nan 0.0300 -0.0000
720 0.5899 nan 0.0300 -0.0000
740 0.5891 nan 0.0300 0.0000
760 0.5883 nan 0.0300 -0.0000
780 0.5875 nan 0.0300 -0.0000
800 0.5868 nan 0.0300 -0.0000
820 0.5860 nan 0.0300 -0.0000
840 0.5853 nan 0.0300 -0.0000
860 0.5844 nan 0.0300 -0.0000
880 0.5838 nan 0.0300 -0.0000
900 0.5833 nan 0.0300 -0.0000
920 0.5826 nan 0.0300 -0.0000
940 0.5821 nan 0.0300 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0798 nan 0.0324 0.0101
2 1.0609 nan 0.0324 0.0091
3 1.0435 nan 0.0324 0.0087
4 1.0276 nan 0.0324 0.0080
5 1.0131 nan 0.0324 0.0073
6 0.9983 nan 0.0324 0.0071
7 0.9848 nan 0.0324 0.0065
8 0.9718 nan 0.0324 0.0062
9 0.9599 nan 0.0324 0.0059
10 0.9488 nan 0.0324 0.0056
20 0.8634 nan 0.0324 0.0031
40 0.7692 nan 0.0324 0.0015
60 0.7179 nan 0.0324 0.0009
80 0.6866 nan 0.0324 0.0006
100 0.6644 nan 0.0324 0.0004
120 0.6502 nan 0.0324 0.0003
140 0.6392 nan 0.0324 0.0003
160 0.6306 nan 0.0324 0.0002
180 0.6240 nan 0.0324 0.0001
195 0.6197 nan 0.0324 0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0797 nan 0.0327 0.0102
2 1.0606 nan 0.0327 0.0094
3 1.0428 nan 0.0327 0.0089
4 1.0261 nan 0.0327 0.0082
5 1.0112 nan 0.0327 0.0076
6 0.9967 nan 0.0327 0.0072
7 0.9832 nan 0.0327 0.0067
8 0.9705 nan 0.0327 0.0064
9 0.9588 nan 0.0327 0.0059
10 0.9474 nan 0.0327 0.0056
20 0.8599 nan 0.0327 0.0037
40 0.7687 nan 0.0327 0.0015
60 0.7199 nan 0.0327 0.0009
80 0.6875 nan 0.0327 0.0006
100 0.6650 nan 0.0327 0.0004
120 0.6504 nan 0.0327 0.0002
140 0.6398 nan 0.0327 0.0002
160 0.6320 nan 0.0327 0.0002
180 0.6254 nan 0.0327 0.0002
200 0.6199 nan 0.0327 0.0001
220 0.6152 nan 0.0327 0.0001
240 0.6107 nan 0.0327 0.0002
260 0.6070 nan 0.0327 0.0001
280 0.6042 nan 0.0327 0.0001
300 0.6016 nan 0.0327 0.0000
320 0.5990 nan 0.0327 0.0000
340 0.5967 nan 0.0327 0.0000
360 0.5942 nan 0.0327 0.0000
380 0.5921 nan 0.0327 0.0000
400 0.5902 nan 0.0327 -0.0000
420 0.5887 nan 0.0327 0.0000
439 0.5873 nan 0.0327 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0868 nan 0.0359 0.0071
2 1.0732 nan 0.0359 0.0066
3 1.0614 nan 0.0359 0.0061
4 1.0500 nan 0.0359 0.0057
5 1.0395 nan 0.0359 0.0053
6 1.0297 nan 0.0359 0.0049
7 1.0211 nan 0.0359 0.0042
8 1.0120 nan 0.0359 0.0045
9 1.0036 nan 0.0359 0.0042
10 0.9962 nan 0.0359 0.0035
20 0.9340 nan 0.0359 0.0023
40 0.8536 nan 0.0359 0.0018
60 0.8052 nan 0.0359 0.0011
80 0.7711 nan 0.0359 0.0006
100 0.7463 nan 0.0359 0.0004
120 0.7252 nan 0.0359 0.0005
140 0.7097 nan 0.0359 0.0002
160 0.6960 nan 0.0359 0.0004
180 0.6855 nan 0.0359 0.0003
200 0.6757 nan 0.0359 0.0002
220 0.6675 nan 0.0359 0.0002
240 0.6611 nan 0.0359 0.0001
260 0.6557 nan 0.0359 0.0001
280 0.6509 nan 0.0359 0.0001
300 0.6465 nan 0.0359 0.0001
320 0.6430 nan 0.0359 0.0000
340 0.6401 nan 0.0359 0.0001
360 0.6372 nan 0.0359 0.0000
380 0.6347 nan 0.0359 0.0000
400 0.6321 nan 0.0359 0.0000
420 0.6296 nan 0.0359 0.0000
440 0.6275 nan 0.0359 0.0001
460 0.6258 nan 0.0359 0.0000
480 0.6244 nan 0.0359 0.0000
500 0.6225 nan 0.0359 0.0001
520 0.6209 nan 0.0359 0.0000
540 0.6195 nan 0.0359 0.0000
560 0.6181 nan 0.0359 0.0000
580 0.6167 nan 0.0359 0.0000
600 0.6154 nan 0.0359 -0.0000
620 0.6141 nan 0.0359 0.0000
640 0.6130 nan 0.0359 0.0000
660 0.6119 nan 0.0359 0.0000
680 0.6109 nan 0.0359 -0.0000
700 0.6099 nan 0.0359 0.0000
720 0.6090 nan 0.0359 0.0000
740 0.6079 nan 0.0359 0.0000
760 0.6070 nan 0.0359 0.0000
780 0.6063 nan 0.0359 -0.0000
800 0.6056 nan 0.0359 0.0000
820 0.6047 nan 0.0359 0.0000
840 0.6041 nan 0.0359 -0.0000
855 0.6036 nan 0.0359 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0746 nan 0.0373 0.0127
2 1.0510 nan 0.0373 0.0116
3 1.0296 nan 0.0373 0.0106
4 1.0100 nan 0.0373 0.0097
5 0.9923 nan 0.0373 0.0089
6 0.9756 nan 0.0373 0.0085
7 0.9597 nan 0.0373 0.0079
8 0.9454 nan 0.0373 0.0070
9 0.9327 nan 0.0373 0.0065
10 0.9205 nan 0.0373 0.0061
20 0.8323 nan 0.0373 0.0031
40 0.7373 nan 0.0373 0.0014
60 0.6875 nan 0.0373 0.0008
80 0.6582 nan 0.0373 0.0005
100 0.6412 nan 0.0373 0.0003
120 0.6292 nan 0.0373 0.0001
140 0.6205 nan 0.0373 0.0001
160 0.6137 nan 0.0373 0.0001
180 0.6083 nan 0.0373 0.0001
200 0.6038 nan 0.0373 0.0000
220 0.5999 nan 0.0373 0.0000
240 0.5965 nan 0.0373 0.0000
260 0.5935 nan 0.0373 0.0001
280 0.5908 nan 0.0373 0.0000
300 0.5884 nan 0.0373 0.0000
320 0.5864 nan 0.0373 -0.0000
340 0.5844 nan 0.0373 0.0000
360 0.5824 nan 0.0373 -0.0000
380 0.5807 nan 0.0373 -0.0000
400 0.5790 nan 0.0373 -0.0000
420 0.5774 nan 0.0373 -0.0000
440 0.5759 nan 0.0373 -0.0000
460 0.5746 nan 0.0373 -0.0000
480 0.5733 nan 0.0373 -0.0000
500 0.5719 nan 0.0373 -0.0000
520 0.5704 nan 0.0373 0.0000
527 0.5701 nan 0.0373 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0740 nan 0.0379 0.0131
2 1.0503 nan 0.0379 0.0120
3 1.0288 nan 0.0379 0.0108
4 1.0092 nan 0.0379 0.0099
5 0.9913 nan 0.0379 0.0090
6 0.9747 nan 0.0379 0.0083
7 0.9593 nan 0.0379 0.0077
8 0.9446 nan 0.0379 0.0073
9 0.9316 nan 0.0379 0.0065
10 0.9187 nan 0.0379 0.0064
20 0.8296 nan 0.0379 0.0034
40 0.7336 nan 0.0379 0.0018
60 0.6854 nan 0.0379 0.0011
80 0.6579 nan 0.0379 0.0003
100 0.6399 nan 0.0379 0.0002
120 0.6286 nan 0.0379 0.0002
140 0.6193 nan 0.0379 0.0003
160 0.6123 nan 0.0379 0.0001
180 0.6060 nan 0.0379 0.0001
200 0.6013 nan 0.0379 0.0000
220 0.5972 nan 0.0379 0.0001
240 0.5934 nan 0.0379 0.0000
260 0.5902 nan 0.0379 0.0001
280 0.5876 nan 0.0379 0.0000
300 0.5852 nan 0.0379 0.0000
320 0.5828 nan 0.0379 0.0001
340 0.5808 nan 0.0379 0.0001
342 0.5805 nan 0.0379 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0752 nan 0.0398 0.0124
2 1.0524 nan 0.0398 0.0113
3 1.0317 nan 0.0398 0.0102
4 1.0125 nan 0.0398 0.0097
5 0.9954 nan 0.0398 0.0086
6 0.9792 nan 0.0398 0.0081
7 0.9637 nan 0.0398 0.0074
8 0.9501 nan 0.0398 0.0067
9 0.9367 nan 0.0398 0.0065
10 0.9246 nan 0.0398 0.0061
20 0.8329 nan 0.0398 0.0038
40 0.7442 nan 0.0398 0.0015
60 0.6974 nan 0.0398 0.0008
80 0.6683 nan 0.0398 0.0006
100 0.6495 nan 0.0398 0.0004
120 0.6364 nan 0.0398 0.0002
140 0.6272 nan 0.0398 0.0002
160 0.6192 nan 0.0398 0.0001
180 0.6132 nan 0.0398 0.0002
200 0.6084 nan 0.0398 0.0001
220 0.6040 nan 0.0398 -0.0000
240 0.6000 nan 0.0398 0.0000
260 0.5969 nan 0.0398 0.0000
280 0.5936 nan 0.0398 0.0002
300 0.5909 nan 0.0398 0.0000
320 0.5886 nan 0.0398 0.0000
340 0.5866 nan 0.0398 -0.0000
360 0.5846 nan 0.0398 -0.0000
380 0.5828 nan 0.0398 -0.0001
400 0.5813 nan 0.0398 0.0000
420 0.5795 nan 0.0398 0.0000
440 0.5779 nan 0.0398 -0.0000
460 0.5764 nan 0.0398 -0.0000
480 0.5746 nan 0.0398 -0.0000
500 0.5734 nan 0.0398 -0.0000
520 0.5719 nan 0.0398 -0.0000
540 0.5704 nan 0.0398 -0.0000
560 0.5691 nan 0.0398 -0.0000
580 0.5680 nan 0.0398 -0.0000
600 0.5666 nan 0.0398 -0.0000
620 0.5652 nan 0.0398 0.0001
640 0.5642 nan 0.0398 -0.0000
660 0.5630 nan 0.0398 -0.0001
680 0.5618 nan 0.0398 -0.0000
700 0.5611 nan 0.0398 -0.0000
720 0.5602 nan 0.0398 -0.0000
740 0.5591 nan 0.0398 -0.0000
760 0.5580 nan 0.0398 -0.0000
780 0.5572 nan 0.0398 -0.0000
800 0.5562 nan 0.0398 -0.0000
820 0.5553 nan 0.0398 -0.0000
840 0.5546 nan 0.0398 -0.0000
860 0.5538 nan 0.0398 -0.0000
880 0.5531 nan 0.0398 -0.0000
900 0.5522 nan 0.0398 -0.0000
919 0.5517 nan 0.0398 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0840 nan 0.0410 0.0081
2 1.0693 nan 0.0410 0.0074
3 1.0556 nan 0.0410 0.0068
4 1.0434 nan 0.0410 0.0062
5 1.0318 nan 0.0410 0.0058
6 1.0211 nan 0.0410 0.0053
7 1.0115 nan 0.0410 0.0046
8 1.0018 nan 0.0410 0.0049
9 0.9925 nan 0.0410 0.0045
10 0.9845 nan 0.0410 0.0041
20 0.9204 nan 0.0410 0.0021
40 0.8376 nan 0.0410 0.0017
60 0.7893 nan 0.0410 0.0008
80 0.7561 nan 0.0410 0.0007
100 0.7303 nan 0.0410 0.0005
120 0.7118 nan 0.0410 0.0006
140 0.6969 nan 0.0410 0.0002
160 0.6839 nan 0.0410 0.0001
180 0.6734 nan 0.0410 0.0003
200 0.6649 nan 0.0410 0.0001
220 0.6581 nan 0.0410 0.0002
240 0.6520 nan 0.0410 0.0001
260 0.6468 nan 0.0410 0.0001
280 0.6432 nan 0.0410 0.0000
284 0.6423 nan 0.0410 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0680 nan 0.0452 0.0163
2 1.0396 nan 0.0452 0.0145
3 1.0131 nan 0.0452 0.0130
4 0.9899 nan 0.0452 0.0116
5 0.9695 nan 0.0452 0.0104
6 0.9506 nan 0.0452 0.0094
7 0.9328 nan 0.0452 0.0087
8 0.9168 nan 0.0452 0.0080
9 0.9017 nan 0.0452 0.0074
10 0.8884 nan 0.0452 0.0067
20 0.7937 nan 0.0452 0.0034
40 0.6997 nan 0.0452 0.0012
60 0.6566 nan 0.0452 0.0006
80 0.6312 nan 0.0452 0.0005
100 0.6153 nan 0.0452 0.0001
120 0.6034 nan 0.0452 0.0000
140 0.5954 nan 0.0452 0.0002
160 0.5882 nan 0.0452 0.0002
180 0.5826 nan 0.0452 0.0000
200 0.5782 nan 0.0452 -0.0000
220 0.5737 nan 0.0452 0.0002
240 0.5698 nan 0.0452 0.0000
260 0.5669 nan 0.0452 0.0001
280 0.5640 nan 0.0452 0.0000
300 0.5612 nan 0.0452 0.0000
302 0.5609 nan 0.0452 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0817 nan 0.0466 0.0092
2 1.0655 nan 0.0466 0.0083
3 1.0501 nan 0.0466 0.0075
4 1.0365 nan 0.0466 0.0068
5 1.0238 nan 0.0466 0.0062
6 1.0128 nan 0.0466 0.0055
7 1.0016 nan 0.0466 0.0056
8 0.9925 nan 0.0466 0.0043
9 0.9846 nan 0.0466 0.0038
10 0.9746 nan 0.0466 0.0050
20 0.9039 nan 0.0466 0.0030
40 0.8210 nan 0.0466 0.0017
60 0.7739 nan 0.0466 0.0009
80 0.7410 nan 0.0466 0.0008
100 0.7172 nan 0.0466 0.0004
120 0.6989 nan 0.0466 0.0003
140 0.6835 nan 0.0466 0.0003
160 0.6719 nan 0.0466 0.0003
180 0.6629 nan 0.0466 0.0002
200 0.6554 nan 0.0466 0.0002
220 0.6491 nan 0.0466 0.0002
240 0.6441 nan 0.0466 0.0002
260 0.6398 nan 0.0466 0.0001
280 0.6357 nan 0.0466 0.0001
300 0.6327 nan 0.0466 0.0000
320 0.6294 nan 0.0466 0.0000
340 0.6271 nan 0.0466 0.0000
360 0.6253 nan 0.0466 0.0000
380 0.6231 nan 0.0466 -0.0000
386 0.6225 nan 0.0466 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0683 nan 0.0467 0.0161
2 1.0405 nan 0.0467 0.0142
3 1.0151 nan 0.0467 0.0126
4 0.9925 nan 0.0467 0.0113
5 0.9715 nan 0.0467 0.0102
6 0.9528 nan 0.0467 0.0090
7 0.9359 nan 0.0467 0.0083
8 0.9200 nan 0.0467 0.0079
9 0.9051 nan 0.0467 0.0075
10 0.8917 nan 0.0467 0.0067
20 0.8001 nan 0.0467 0.0032
40 0.7063 nan 0.0467 0.0014
60 0.6641 nan 0.0467 0.0009
80 0.6403 nan 0.0467 0.0004
100 0.6244 nan 0.0467 0.0003
120 0.6135 nan 0.0467 0.0001
140 0.6047 nan 0.0467 0.0001
160 0.5991 nan 0.0467 0.0000
180 0.5936 nan 0.0467 0.0001
200 0.5888 nan 0.0467 0.0000
220 0.5847 nan 0.0467 0.0001
240 0.5819 nan 0.0467 0.0000
260 0.5784 nan 0.0467 0.0000
280 0.5756 nan 0.0467 0.0000
300 0.5725 nan 0.0467 -0.0000
320 0.5703 nan 0.0467 0.0000
340 0.5679 nan 0.0467 -0.0000
360 0.5659 nan 0.0467 -0.0000
380 0.5641 nan 0.0467 0.0000
400 0.5624 nan 0.0467 -0.0000
420 0.5604 nan 0.0467 -0.0000
440 0.5591 nan 0.0467 -0.0001
460 0.5573 nan 0.0467 0.0000
480 0.5555 nan 0.0467 -0.0000
500 0.5542 nan 0.0467 -0.0000
520 0.5527 nan 0.0467 -0.0000
540 0.5513 nan 0.0467 -0.0001
560 0.5496 nan 0.0467 0.0001
580 0.5480 nan 0.0467 -0.0000
600 0.5467 nan 0.0467 -0.0000
620 0.5449 nan 0.0467 -0.0000
640 0.5438 nan 0.0467 -0.0000
660 0.5427 nan 0.0467 -0.0000
680 0.5417 nan 0.0467 -0.0000
700 0.5406 nan 0.0467 -0.0000
720 0.5394 nan 0.0467 -0.0000
740 0.5382 nan 0.0467 -0.0000
753 0.5375 nan 0.0467 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0696 nan 0.0497 0.0154
2 1.0416 nan 0.0497 0.0138
3 1.0165 nan 0.0497 0.0122
4 0.9951 nan 0.0497 0.0106
5 0.9753 nan 0.0497 0.0098
6 0.9574 nan 0.0497 0.0093
7 0.9404 nan 0.0497 0.0086
8 0.9248 nan 0.0497 0.0076
9 0.9110 nan 0.0497 0.0070
10 0.8975 nan 0.0497 0.0065
20 0.8042 nan 0.0497 0.0037
40 0.7186 nan 0.0497 0.0015
60 0.6741 nan 0.0497 0.0008
80 0.6495 nan 0.0497 0.0006
100 0.6340 nan 0.0497 0.0002
120 0.6223 nan 0.0497 0.0003
140 0.6144 nan 0.0497 0.0001
160 0.6083 nan 0.0497 0.0001
180 0.6032 nan 0.0497 0.0000
200 0.5982 nan 0.0497 0.0001
220 0.5943 nan 0.0497 0.0001
240 0.5912 nan 0.0497 0.0001
260 0.5881 nan 0.0497 -0.0000
280 0.5855 nan 0.0497 -0.0000
300 0.5831 nan 0.0497 -0.0000
320 0.5810 nan 0.0497 0.0000
340 0.5787 nan 0.0497 0.0001
360 0.5766 nan 0.0497 -0.0000
380 0.5750 nan 0.0497 -0.0000
400 0.5736 nan 0.0497 -0.0000
420 0.5720 nan 0.0497 -0.0000
440 0.5705 nan 0.0497 -0.0000
460 0.5688 nan 0.0497 0.0000
480 0.5674 nan 0.0497 -0.0000
500 0.5662 nan 0.0497 -0.0000
520 0.5650 nan 0.0497 0.0000
540 0.5637 nan 0.0497 -0.0000
553 0.5629 nan 0.0497 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0737 nan 0.0500 0.0133
2 1.0493 nan 0.0500 0.0121
3 1.0280 nan 0.0500 0.0107
4 1.0084 nan 0.0500 0.0099
5 0.9906 nan 0.0500 0.0088
6 0.9749 nan 0.0500 0.0078
7 0.9567 nan 0.0500 0.0093
8 0.9436 nan 0.0500 0.0065
9 0.9314 nan 0.0500 0.0059
10 0.9168 nan 0.0500 0.0074
20 0.8273 nan 0.0500 0.0030
40 0.7444 nan 0.0500 0.0016
60 0.6993 nan 0.0500 0.0008
80 0.6714 nan 0.0500 0.0006
100 0.6535 nan 0.0500 0.0003
120 0.6417 nan 0.0500 0.0002
140 0.6332 nan 0.0500 0.0001
160 0.6269 nan 0.0500 0.0001
180 0.6212 nan 0.0500 0.0001
200 0.6165 nan 0.0500 0.0001
220 0.6126 nan 0.0500 0.0000
240 0.6094 nan 0.0500 -0.0000
260 0.6065 nan 0.0500 0.0000
280 0.6036 nan 0.0500 0.0001
300 0.6011 nan 0.0500 0.0000
320 0.5991 nan 0.0500 -0.0000
340 0.5970 nan 0.0500 0.0000
360 0.5951 nan 0.0500 -0.0000
380 0.5935 nan 0.0500 0.0000
400 0.5918 nan 0.0500 0.0000
420 0.5904 nan 0.0500 -0.0000
440 0.5890 nan 0.0500 -0.0000
460 0.5880 nan 0.0500 -0.0000
480 0.5868 nan 0.0500 0.0000
500 0.5856 nan 0.0500 -0.0000
520 0.5843 nan 0.0500 0.0000
540 0.5832 nan 0.0500 -0.0000
560 0.5823 nan 0.0500 -0.0000
580 0.5814 nan 0.0500 -0.0000
600 0.5805 nan 0.0500 -0.0000
620 0.5794 nan 0.0500 0.0000
640 0.5781 nan 0.0500 -0.0000
660 0.5773 nan 0.0500 -0.0000
680 0.5766 nan 0.0500 -0.0000
700 0.5758 nan 0.0500 -0.0000
720 0.5750 nan 0.0500 0.0000
740 0.5743 nan 0.0500 -0.0000
760 0.5737 nan 0.0500 -0.0000
780 0.5729 nan 0.0500 -0.0000
800 0.5723 nan 0.0500 -0.0000
820 0.5716 nan 0.0500 -0.0000
840 0.5708 nan 0.0500 -0.0000
860 0.5701 nan 0.0500 -0.0000
880 0.5695 nan 0.0500 0.0000
900 0.5685 nan 0.0500 0.0000
907 0.5681 nan 0.0500 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0718 nan 0.0528 0.0143
2 1.0465 nan 0.0528 0.0127
3 1.0242 nan 0.0528 0.0110
4 1.0042 nan 0.0528 0.0101
5 0.9867 nan 0.0528 0.0088
6 0.9699 nan 0.0528 0.0082
7 0.9510 nan 0.0528 0.0096
8 0.9342 nan 0.0528 0.0083
9 0.9191 nan 0.0528 0.0075
10 0.9059 nan 0.0528 0.0068
20 0.8205 nan 0.0528 0.0035
40 0.7385 nan 0.0528 0.0015
60 0.6938 nan 0.0528 0.0009
80 0.6675 nan 0.0528 0.0005
100 0.6509 nan 0.0528 0.0005
120 0.6394 nan 0.0528 0.0002
140 0.6314 nan 0.0528 0.0001
160 0.6254 nan 0.0528 0.0001
180 0.6205 nan 0.0528 0.0000
200 0.6156 nan 0.0528 0.0000
220 0.6118 nan 0.0528 0.0000
225 0.6110 nan 0.0528 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0712 nan 0.0536 0.0144
2 1.0456 nan 0.0536 0.0123
3 1.0231 nan 0.0536 0.0112
4 1.0027 nan 0.0536 0.0102
5 0.9846 nan 0.0536 0.0089
6 0.9681 nan 0.0536 0.0081
7 0.9498 nan 0.0536 0.0091
8 0.9362 nan 0.0536 0.0068
9 0.9206 nan 0.0536 0.0077
10 0.9067 nan 0.0536 0.0067
20 0.8228 nan 0.0536 0.0028
40 0.7382 nan 0.0536 0.0011
60 0.6927 nan 0.0536 0.0007
80 0.6670 nan 0.0536 0.0004
100 0.6499 nan 0.0536 0.0002
120 0.6386 nan 0.0536 0.0001
140 0.6300 nan 0.0536 0.0001
160 0.6245 nan 0.0536 0.0001
180 0.6185 nan 0.0536 0.0000
200 0.6147 nan 0.0536 0.0000
220 0.6111 nan 0.0536 0.0000
240 0.6079 nan 0.0536 0.0000
260 0.6052 nan 0.0536 0.0001
280 0.6028 nan 0.0536 0.0000
283 0.6025 nan 0.0536 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0790 nan 0.0552 0.0108
2 1.0596 nan 0.0552 0.0096
3 1.0428 nan 0.0552 0.0086
4 1.0293 nan 0.0552 0.0064
5 1.0143 nan 0.0552 0.0076
6 1.0010 nan 0.0552 0.0068
7 0.9905 nan 0.0552 0.0055
8 0.9783 nan 0.0552 0.0060
9 0.9675 nan 0.0552 0.0054
10 0.9592 nan 0.0552 0.0042
20 0.8840 nan 0.0552 0.0030
40 0.8007 nan 0.0552 0.0014
60 0.7534 nan 0.0552 0.0009
80 0.7221 nan 0.0552 0.0007
100 0.6992 nan 0.0552 0.0003
120 0.6817 nan 0.0552 0.0004
140 0.6691 nan 0.0552 0.0002
160 0.6588 nan 0.0552 0.0001
180 0.6514 nan 0.0552 0.0001
200 0.6449 nan 0.0552 0.0001
220 0.6394 nan 0.0552 0.0001
240 0.6349 nan 0.0552 0.0000
260 0.6312 nan 0.0552 0.0000
280 0.6281 nan 0.0552 0.0001
300 0.6254 nan 0.0552 0.0000
320 0.6227 nan 0.0552 0.0000
340 0.6204 nan 0.0552 0.0000
360 0.6185 nan 0.0552 0.0001
380 0.6163 nan 0.0552 0.0000
400 0.6144 nan 0.0552 0.0000
420 0.6125 nan 0.0552 0.0000
440 0.6106 nan 0.0552 0.0000
460 0.6093 nan 0.0552 0.0000
480 0.6079 nan 0.0552 0.0000
500 0.6066 nan 0.0552 0.0000
520 0.6056 nan 0.0552 0.0000
540 0.6045 nan 0.0552 0.0000
560 0.6033 nan 0.0552 -0.0000
580 0.6024 nan 0.0552 -0.0000
600 0.6014 nan 0.0552 0.0000
620 0.6005 nan 0.0552 -0.0000
640 0.5995 nan 0.0552 0.0000
660 0.5985 nan 0.0552 0.0001
680 0.5979 nan 0.0552 -0.0000
700 0.5973 nan 0.0552 -0.0000
720 0.5967 nan 0.0552 -0.0000
740 0.5961 nan 0.0552 -0.0000
760 0.5955 nan 0.0552 -0.0000
780 0.5949 nan 0.0552 -0.0000
800 0.5943 nan 0.0552 -0.0000
820 0.5938 nan 0.0552 -0.0000
840 0.5933 nan 0.0552 -0.0000
860 0.5929 nan 0.0552 -0.0000
880 0.5924 nan 0.0552 -0.0000
900 0.5920 nan 0.0552 -0.0000
920 0.5914 nan 0.0552 0.0000
940 0.5910 nan 0.0552 -0.0000
956 0.5906 nan 0.0552 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0695 nan 0.0555 0.0150
2 1.0434 nan 0.0555 0.0129
3 1.0206 nan 0.0555 0.0111
4 0.9999 nan 0.0555 0.0104
5 0.9810 nan 0.0555 0.0093
6 0.9642 nan 0.0555 0.0082
7 0.9491 nan 0.0555 0.0074
8 0.9316 nan 0.0555 0.0086
9 0.9161 nan 0.0555 0.0077
10 0.9024 nan 0.0555 0.0070
20 0.8176 nan 0.0555 0.0029
40 0.7326 nan 0.0555 0.0014
60 0.6900 nan 0.0555 0.0010
80 0.6644 nan 0.0555 0.0005
100 0.6480 nan 0.0555 0.0004
120 0.6372 nan 0.0555 0.0002
140 0.6288 nan 0.0555 0.0001
160 0.6228 nan 0.0555 0.0001
180 0.6177 nan 0.0555 0.0001
200 0.6130 nan 0.0555 0.0000
220 0.6094 nan 0.0555 0.0000
240 0.6068 nan 0.0555 0.0001
260 0.6039 nan 0.0555 -0.0000
280 0.6009 nan 0.0555 0.0001
300 0.5990 nan 0.0555 -0.0000
320 0.5970 nan 0.0555 -0.0000
340 0.5948 nan 0.0555 0.0000
360 0.5932 nan 0.0555 -0.0000
380 0.5913 nan 0.0555 -0.0000
400 0.5900 nan 0.0555 0.0000
420 0.5884 nan 0.0555 -0.0000
440 0.5871 nan 0.0555 -0.0000
460 0.5859 nan 0.0555 -0.0000
480 0.5848 nan 0.0555 -0.0000
493 0.5841 nan 0.0555 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0586 nan 0.0614 0.0210
2 1.0229 nan 0.0614 0.0180
3 0.9928 nan 0.0614 0.0153
4 0.9660 nan 0.0614 0.0130
5 0.9419 nan 0.0614 0.0119
6 0.9213 nan 0.0614 0.0102
7 0.9026 nan 0.0614 0.0091
8 0.8848 nan 0.0614 0.0088
9 0.8703 nan 0.0614 0.0072
10 0.8561 nan 0.0614 0.0069
20 0.7618 nan 0.0614 0.0033
40 0.6785 nan 0.0614 0.0014
60 0.6426 nan 0.0614 0.0005
80 0.6239 nan 0.0614 0.0003
100 0.6132 nan 0.0614 0.0001
120 0.6053 nan 0.0614 0.0002
140 0.5997 nan 0.0614 0.0002
160 0.5947 nan 0.0614 -0.0000
180 0.5908 nan 0.0614 -0.0000
200 0.5873 nan 0.0614 0.0000
220 0.5846 nan 0.0614 -0.0000
240 0.5817 nan 0.0614 -0.0000
260 0.5787 nan 0.0614 0.0001
280 0.5760 nan 0.0614 -0.0001
300 0.5735 nan 0.0614 -0.0000
320 0.5717 nan 0.0614 -0.0000
340 0.5699 nan 0.0614 -0.0000
360 0.5678 nan 0.0614 -0.0000
380 0.5663 nan 0.0614 -0.0000
400 0.5648 nan 0.0614 -0.0000
420 0.5632 nan 0.0614 0.0000
436 0.5622 nan 0.0614 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0550 nan 0.0636 0.0227
2 1.0172 nan 0.0636 0.0196
3 0.9848 nan 0.0636 0.0162
4 0.9564 nan 0.0636 0.0141
5 0.9312 nan 0.0636 0.0124
6 0.9087 nan 0.0636 0.0110
7 0.8892 nan 0.0636 0.0095
8 0.8717 nan 0.0636 0.0088
9 0.8559 nan 0.0636 0.0077
10 0.8412 nan 0.0636 0.0071
20 0.7428 nan 0.0636 0.0038
40 0.6629 nan 0.0636 0.0011
60 0.6282 nan 0.0636 0.0005
80 0.6093 nan 0.0636 0.0003
100 0.5969 nan 0.0636 0.0001
120 0.5891 nan 0.0636 0.0002
140 0.5812 nan 0.0636 -0.0000
160 0.5752 nan 0.0636 0.0002
180 0.5697 nan 0.0636 0.0000
200 0.5656 nan 0.0636 -0.0001
220 0.5618 nan 0.0636 -0.0000
240 0.5581 nan 0.0636 -0.0000
260 0.5555 nan 0.0636 -0.0001
280 0.5518 nan 0.0636 -0.0001
300 0.5491 nan 0.0636 -0.0001
320 0.5466 nan 0.0636 -0.0000
340 0.5437 nan 0.0636 -0.0000
360 0.5416 nan 0.0636 -0.0000
380 0.5388 nan 0.0636 -0.0000
400 0.5367 nan 0.0636 -0.0000
420 0.5344 nan 0.0636 -0.0001
440 0.5323 nan 0.0636 -0.0000
460 0.5301 nan 0.0636 -0.0001
480 0.5281 nan 0.0636 -0.0001
500 0.5260 nan 0.0636 -0.0000
520 0.5242 nan 0.0636 -0.0000
540 0.5223 nan 0.0636 -0.0001
560 0.5203 nan 0.0636 -0.0001
580 0.5190 nan 0.0636 -0.0000
586 0.5186 nan 0.0636 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0541 nan 0.0644 0.0230
2 1.0157 nan 0.0644 0.0192
3 0.9825 nan 0.0644 0.0164
4 0.9539 nan 0.0644 0.0141
5 0.9292 nan 0.0644 0.0123
6 0.9069 nan 0.0644 0.0108
7 0.8871 nan 0.0644 0.0098
8 0.8696 nan 0.0644 0.0086
9 0.8544 nan 0.0644 0.0078
10 0.8399 nan 0.0644 0.0070
20 0.7422 nan 0.0644 0.0038
40 0.6605 nan 0.0644 0.0009
60 0.6279 nan 0.0644 0.0004
80 0.6089 nan 0.0644 0.0002
100 0.5979 nan 0.0644 0.0000
120 0.5887 nan 0.0644 0.0001
140 0.5824 nan 0.0644 -0.0000
160 0.5762 nan 0.0644 0.0002
180 0.5722 nan 0.0644 0.0000
200 0.5681 nan 0.0644 0.0000
220 0.5647 nan 0.0644 -0.0001
240 0.5609 nan 0.0644 -0.0001
260 0.5571 nan 0.0644 -0.0001
280 0.5543 nan 0.0644 -0.0000
300 0.5519 nan 0.0644 0.0001
320 0.5496 nan 0.0644 -0.0001
340 0.5472 nan 0.0644 -0.0000
360 0.5452 nan 0.0644 -0.0000
380 0.5434 nan 0.0644 -0.0001
400 0.5414 nan 0.0644 -0.0001
420 0.5394 nan 0.0644 -0.0000
440 0.5377 nan 0.0644 -0.0001
460 0.5362 nan 0.0644 -0.0001
480 0.5346 nan 0.0644 -0.0001
500 0.5327 nan 0.0644 0.0000
520 0.5312 nan 0.0644 -0.0001
540 0.5295 nan 0.0644 -0.0000
560 0.5277 nan 0.0644 0.0001
580 0.5264 nan 0.0644 -0.0001
600 0.5250 nan 0.0644 -0.0001
620 0.5233 nan 0.0644 -0.0001
640 0.5219 nan 0.0644 -0.0000
660 0.5202 nan 0.0644 -0.0001
680 0.5185 nan 0.0644 -0.0001
700 0.5171 nan 0.0644 -0.0001
720 0.5159 nan 0.0644 -0.0001
740 0.5149 nan 0.0644 -0.0000
760 0.5138 nan 0.0644 -0.0001
780 0.5126 nan 0.0644 -0.0000
800 0.5112 nan 0.0644 -0.0001
820 0.5101 nan 0.0644 -0.0000
840 0.5091 nan 0.0644 -0.0000
860 0.5082 nan 0.0644 -0.0001
880 0.5073 nan 0.0644 -0.0001
897 0.5063 nan 0.0644 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0568 nan 0.0662 0.0222
2 1.0190 nan 0.0662 0.0193
3 0.9877 nan 0.0662 0.0158
4 0.9592 nan 0.0662 0.0142
5 0.9348 nan 0.0662 0.0122
6 0.9132 nan 0.0662 0.0106
7 0.8934 nan 0.0662 0.0095
8 0.8758 nan 0.0662 0.0088
9 0.8609 nan 0.0662 0.0074
10 0.8462 nan 0.0662 0.0072
20 0.7513 nan 0.0662 0.0036
40 0.6691 nan 0.0662 0.0009
60 0.6366 nan 0.0662 0.0005
80 0.6199 nan 0.0662 0.0002
100 0.6094 nan 0.0662 0.0001
120 0.6021 nan 0.0662 0.0001
140 0.5964 nan 0.0662 -0.0000
160 0.5921 nan 0.0662 0.0001
180 0.5882 nan 0.0662 0.0000
200 0.5852 nan 0.0662 -0.0001
220 0.5820 nan 0.0662 -0.0000
240 0.5788 nan 0.0662 -0.0000
260 0.5766 nan 0.0662 -0.0001
280 0.5744 nan 0.0662 -0.0000
300 0.5722 nan 0.0662 -0.0000
320 0.5700 nan 0.0662 -0.0001
340 0.5680 nan 0.0662 -0.0000
354 0.5668 nan 0.0662 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0551 nan 0.0663 0.0228
2 1.0162 nan 0.0663 0.0193
3 0.9841 nan 0.0663 0.0159
4 0.9564 nan 0.0663 0.0135
5 0.9320 nan 0.0663 0.0121
6 0.9103 nan 0.0663 0.0108
7 0.8913 nan 0.0663 0.0093
8 0.8739 nan 0.0663 0.0085
9 0.8586 nan 0.0663 0.0074
10 0.8445 nan 0.0663 0.0072
20 0.7500 nan 0.0663 0.0034
40 0.6708 nan 0.0663 0.0013
60 0.6350 nan 0.0663 0.0007
80 0.6175 nan 0.0663 0.0003
100 0.6048 nan 0.0663 0.0001
120 0.5953 nan 0.0663 0.0000
140 0.5870 nan 0.0663 0.0000
160 0.5813 nan 0.0663 0.0000
180 0.5765 nan 0.0663 -0.0001
200 0.5723 nan 0.0663 0.0000
220 0.5689 nan 0.0663 -0.0000
240 0.5649 nan 0.0663 -0.0001
260 0.5619 nan 0.0663 0.0001
280 0.5592 nan 0.0663 -0.0001
300 0.5565 nan 0.0663 -0.0000
320 0.5540 nan 0.0663 -0.0000
340 0.5514 nan 0.0663 -0.0001
355 0.5497 nan 0.0663 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0633 nan 0.0685 0.0185
2 1.0315 nan 0.0685 0.0154
3 1.0048 nan 0.0685 0.0131
4 0.9808 nan 0.0685 0.0119
5 0.9604 nan 0.0685 0.0102
6 0.9371 nan 0.0685 0.0116
7 0.9176 nan 0.0685 0.0098
8 0.9001 nan 0.0685 0.0088
9 0.8864 nan 0.0685 0.0066
10 0.8741 nan 0.0685 0.0061
20 0.7907 nan 0.0685 0.0030
40 0.7085 nan 0.0685 0.0012
60 0.6687 nan 0.0685 0.0004
80 0.6474 nan 0.0685 0.0004
100 0.6345 nan 0.0685 0.0002
120 0.6256 nan 0.0685 0.0001
140 0.6197 nan 0.0685 0.0000
160 0.6144 nan 0.0685 0.0001
180 0.6093 nan 0.0685 0.0001
200 0.6059 nan 0.0685 0.0000
220 0.6030 nan 0.0685 -0.0000
240 0.6003 nan 0.0685 0.0000
260 0.5983 nan 0.0685 -0.0000
280 0.5963 nan 0.0685 -0.0000
300 0.5940 nan 0.0685 0.0000
320 0.5924 nan 0.0685 -0.0000
340 0.5905 nan 0.0685 -0.0000
360 0.5891 nan 0.0685 0.0000
380 0.5878 nan 0.0685 0.0001
400 0.5863 nan 0.0685 -0.0001
406 0.5859 nan 0.0685 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0633 nan 0.0687 0.0182
2 1.0325 nan 0.0687 0.0155
3 1.0057 nan 0.0687 0.0130
4 0.9816 nan 0.0687 0.0119
5 0.9615 nan 0.0687 0.0106
6 0.9393 nan 0.0687 0.0114
7 0.9228 nan 0.0687 0.0084
8 0.9046 nan 0.0687 0.0089
9 0.8891 nan 0.0687 0.0079
10 0.8767 nan 0.0687 0.0065
20 0.7914 nan 0.0687 0.0033
40 0.7109 nan 0.0687 0.0018
60 0.6707 nan 0.0687 0.0005
80 0.6489 nan 0.0687 0.0002
100 0.6355 nan 0.0687 0.0001
120 0.6260 nan 0.0687 0.0001
140 0.6193 nan 0.0687 -0.0001
160 0.6141 nan 0.0687 0.0000
180 0.6094 nan 0.0687 0.0000
200 0.6040 nan 0.0687 0.0001
220 0.6007 nan 0.0687 -0.0001
240 0.5979 nan 0.0687 -0.0000
260 0.5952 nan 0.0687 -0.0000
280 0.5924 nan 0.0687 0.0001
300 0.5895 nan 0.0687 -0.0000
320 0.5877 nan 0.0687 -0.0000
340 0.5859 nan 0.0687 -0.0000
360 0.5839 nan 0.0687 -0.0000
380 0.5822 nan 0.0687 -0.0000
400 0.5805 nan 0.0687 -0.0000
420 0.5792 nan 0.0687 -0.0000
440 0.5779 nan 0.0687 -0.0000
460 0.5764 nan 0.0687 -0.0000
480 0.5747 nan 0.0687 -0.0000
500 0.5730 nan 0.0687 -0.0000
520 0.5717 nan 0.0687 0.0000
540 0.5704 nan 0.0687 -0.0000
560 0.5688 nan 0.0687 -0.0000
580 0.5674 nan 0.0687 0.0000
600 0.5664 nan 0.0687 -0.0000
620 0.5652 nan 0.0687 -0.0000
640 0.5642 nan 0.0687 -0.0000
660 0.5632 nan 0.0687 -0.0000
680 0.5619 nan 0.0687 -0.0001
700 0.5609 nan 0.0687 -0.0000
720 0.5595 nan 0.0687 0.0000
740 0.5585 nan 0.0687 -0.0000
760 0.5574 nan 0.0687 -0.0000
780 0.5563 nan 0.0687 -0.0001
800 0.5555 nan 0.0687 -0.0000
820 0.5547 nan 0.0687 -0.0000
840 0.5538 nan 0.0687 -0.0001
860 0.5531 nan 0.0687 -0.0000
880 0.5525 nan 0.0687 -0.0000
881 0.5524 nan 0.0687 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0728 nan 0.0697 0.0135
2 1.0494 nan 0.0697 0.0116
3 1.0284 nan 0.0697 0.0099
4 1.0121 nan 0.0697 0.0080
5 0.9948 nan 0.0697 0.0085
6 0.9824 nan 0.0697 0.0061
7 0.9674 nan 0.0697 0.0073
8 0.9545 nan 0.0697 0.0063
9 0.9444 nan 0.0697 0.0048
10 0.9328 nan 0.0697 0.0057
20 0.8540 nan 0.0697 0.0035
40 0.7720 nan 0.0697 0.0014
60 0.7263 nan 0.0697 0.0011
80 0.6985 nan 0.0697 0.0006
100 0.6770 nan 0.0697 0.0005
120 0.6628 nan 0.0697 0.0003
140 0.6520 nan 0.0697 0.0001
160 0.6445 nan 0.0697 0.0001
180 0.6383 nan 0.0697 0.0001
200 0.6330 nan 0.0697 0.0000
220 0.6286 nan 0.0697 0.0000
240 0.6248 nan 0.0697 0.0002
260 0.6219 nan 0.0697 0.0000
280 0.6192 nan 0.0697 0.0000
300 0.6162 nan 0.0697 0.0000
320 0.6138 nan 0.0697 0.0000
340 0.6115 nan 0.0697 0.0000
360 0.6098 nan 0.0697 0.0000
380 0.6077 nan 0.0697 0.0000
400 0.6061 nan 0.0697 0.0000
420 0.6044 nan 0.0697 -0.0000
440 0.6032 nan 0.0697 -0.0000
460 0.6019 nan 0.0697 -0.0000
480 0.6006 nan 0.0697 0.0000
500 0.5994 nan 0.0697 -0.0000
520 0.5985 nan 0.0697 -0.0000
540 0.5978 nan 0.0697 -0.0000
545 0.5975 nan 0.0697 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0488 nan 0.0714 0.0258
2 1.0073 nan 0.0714 0.0207
3 0.9720 nan 0.0714 0.0176
4 0.9426 nan 0.0714 0.0149
5 0.9164 nan 0.0714 0.0129
6 0.8940 nan 0.0714 0.0111
7 0.8730 nan 0.0714 0.0105
8 0.8552 nan 0.0714 0.0088
9 0.8392 nan 0.0714 0.0078
10 0.8257 nan 0.0714 0.0068
20 0.7281 nan 0.0714 0.0030
40 0.6519 nan 0.0714 0.0011
60 0.6204 nan 0.0714 0.0005
80 0.6029 nan 0.0714 0.0005
100 0.5907 nan 0.0714 0.0001
120 0.5841 nan 0.0714 0.0000
140 0.5779 nan 0.0714 0.0001
160 0.5732 nan 0.0714 0.0000
180 0.5688 nan 0.0714 0.0001
200 0.5644 nan 0.0714 -0.0000
220 0.5615 nan 0.0714 -0.0001
240 0.5578 nan 0.0714 -0.0001
260 0.5546 nan 0.0714 -0.0001
280 0.5517 nan 0.0714 -0.0001
300 0.5492 nan 0.0714 -0.0001
320 0.5467 nan 0.0714 -0.0000
340 0.5441 nan 0.0714 -0.0000
360 0.5419 nan 0.0714 -0.0001
380 0.5398 nan 0.0714 -0.0001
400 0.5374 nan 0.0714 -0.0000
420 0.5354 nan 0.0714 -0.0001
440 0.5331 nan 0.0714 0.0001
460 0.5314 nan 0.0714 -0.0001
473 0.5303 nan 0.0714 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0609 nan 0.0743 0.0199
2 1.0274 nan 0.0743 0.0162
3 0.9990 nan 0.0743 0.0141
4 0.9737 nan 0.0743 0.0126
5 0.9477 nan 0.0743 0.0129
6 0.9254 nan 0.0743 0.0112
7 0.9060 nan 0.0743 0.0094
8 0.8893 nan 0.0743 0.0083
9 0.8756 nan 0.0743 0.0067
10 0.8628 nan 0.0743 0.0062
20 0.7796 nan 0.0743 0.0027
40 0.6988 nan 0.0743 0.0011
60 0.6616 nan 0.0743 0.0006
80 0.6423 nan 0.0743 0.0003
100 0.6303 nan 0.0743 0.0000
120 0.6220 nan 0.0743 0.0001
140 0.6157 nan 0.0743 0.0001
160 0.6100 nan 0.0743 0.0002
180 0.6054 nan 0.0743 -0.0000
185 0.6046 nan 0.0743 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0484 nan 0.0751 0.0258
2 1.0074 nan 0.0751 0.0209
3 0.9729 nan 0.0751 0.0173
4 0.9433 nan 0.0751 0.0149
5 0.9175 nan 0.0751 0.0126
6 0.8952 nan 0.0751 0.0108
7 0.8751 nan 0.0751 0.0100
8 0.8571 nan 0.0751 0.0090
9 0.8420 nan 0.0751 0.0072
10 0.8284 nan 0.0751 0.0066
20 0.7348 nan 0.0751 0.0036
40 0.6580 nan 0.0751 0.0009
60 0.6267 nan 0.0751 0.0001
80 0.6097 nan 0.0751 0.0003
100 0.5978 nan 0.0751 0.0000
120 0.5896 nan 0.0751 0.0001
140 0.5838 nan 0.0751 -0.0000
160 0.5771 nan 0.0751 -0.0000
180 0.5717 nan 0.0751 0.0002
200 0.5677 nan 0.0751 -0.0001
220 0.5630 nan 0.0751 -0.0000
225 0.5623 nan 0.0751 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0593 nan 0.0773 0.0204
2 1.0250 nan 0.0773 0.0169
3 0.9955 nan 0.0773 0.0145
4 0.9711 nan 0.0773 0.0123
5 0.9437 nan 0.0773 0.0137
6 0.9211 nan 0.0773 0.0114
7 0.9021 nan 0.0773 0.0096
8 0.8871 nan 0.0773 0.0074
9 0.8727 nan 0.0773 0.0072
10 0.8584 nan 0.0773 0.0072
20 0.7767 nan 0.0773 0.0032
40 0.6948 nan 0.0773 0.0015
60 0.6598 nan 0.0773 0.0005
80 0.6401 nan 0.0773 0.0003
100 0.6289 nan 0.0773 0.0001
120 0.6211 nan 0.0773 0.0001
140 0.6141 nan 0.0773 0.0001
160 0.6096 nan 0.0773 0.0000
180 0.6050 nan 0.0773 -0.0000
200 0.6011 nan 0.0773 -0.0000
220 0.5979 nan 0.0773 -0.0000
240 0.5951 nan 0.0773 0.0001
260 0.5926 nan 0.0773 -0.0000
280 0.5908 nan 0.0773 -0.0000
300 0.5889 nan 0.0773 0.0000
320 0.5870 nan 0.0773 -0.0000
340 0.5851 nan 0.0773 -0.0000
360 0.5833 nan 0.0773 0.0000
380 0.5820 nan 0.0773 -0.0000
400 0.5806 nan 0.0773 0.0000
420 0.5789 nan 0.0773 -0.0000
440 0.5777 nan 0.0773 -0.0001
460 0.5767 nan 0.0773 -0.0000
480 0.5755 nan 0.0773 -0.0000
500 0.5745 nan 0.0773 -0.0001
520 0.5731 nan 0.0773 0.0000
540 0.5720 nan 0.0773 -0.0001
560 0.5709 nan 0.0773 -0.0000
580 0.5702 nan 0.0773 -0.0001
600 0.5695 nan 0.0773 -0.0000
606 0.5693 nan 0.0773 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0698 nan 0.0774 0.0149
2 1.0437 nan 0.0774 0.0126
3 1.0225 nan 0.0774 0.0107
4 1.0049 nan 0.0774 0.0082
5 0.9871 nan 0.0774 0.0090
6 0.9740 nan 0.0774 0.0064
7 0.9591 nan 0.0774 0.0076
8 0.9456 nan 0.0774 0.0066
9 0.9326 nan 0.0774 0.0065
10 0.9225 nan 0.0774 0.0048
20 0.8416 nan 0.0774 0.0030
40 0.7589 nan 0.0774 0.0012
60 0.7162 nan 0.0774 0.0008
80 0.6869 nan 0.0774 0.0006
100 0.6674 nan 0.0774 0.0002
120 0.6551 nan 0.0774 0.0004
140 0.6452 nan 0.0774 0.0001
160 0.6382 nan 0.0774 0.0001
180 0.6332 nan 0.0774 -0.0000
200 0.6283 nan 0.0774 0.0000
220 0.6239 nan 0.0774 0.0002
240 0.6208 nan 0.0774 -0.0000
260 0.6175 nan 0.0774 0.0000
280 0.6149 nan 0.0774 0.0000
300 0.6125 nan 0.0774 0.0000
320 0.6102 nan 0.0774 0.0000
340 0.6085 nan 0.0774 0.0000
360 0.6064 nan 0.0774 -0.0000
380 0.6051 nan 0.0774 -0.0000
400 0.6032 nan 0.0774 0.0000
420 0.6017 nan 0.0774 0.0001
440 0.6006 nan 0.0774 0.0000
460 0.5993 nan 0.0774 -0.0000
480 0.5985 nan 0.0774 -0.0000
500 0.5977 nan 0.0774 -0.0000
520 0.5970 nan 0.0774 -0.0000
540 0.5962 nan 0.0774 -0.0000
560 0.5955 nan 0.0774 -0.0001
580 0.5948 nan 0.0774 -0.0000
600 0.5939 nan 0.0774 -0.0000
620 0.5930 nan 0.0774 -0.0000
640 0.5924 nan 0.0774 0.0000
660 0.5919 nan 0.0774 -0.0000
680 0.5909 nan 0.0774 -0.0000
700 0.5904 nan 0.0774 -0.0000
720 0.5899 nan 0.0774 -0.0000
735 0.5894 nan 0.0774 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0465 nan 0.0790 0.0268
2 1.0043 nan 0.0790 0.0218
3 0.9684 nan 0.0790 0.0180
4 0.9375 nan 0.0790 0.0151
5 0.9114 nan 0.0790 0.0129
6 0.8887 nan 0.0790 0.0113
7 0.8684 nan 0.0790 0.0101
8 0.8506 nan 0.0790 0.0088
9 0.8348 nan 0.0790 0.0077
10 0.8208 nan 0.0790 0.0066
20 0.7289 nan 0.0790 0.0033
40 0.6569 nan 0.0790 0.0011
60 0.6259 nan 0.0790 0.0003
80 0.6094 nan 0.0790 0.0001
100 0.5991 nan 0.0790 0.0001
120 0.5911 nan 0.0790 0.0000
140 0.5852 nan 0.0790 0.0000
160 0.5805 nan 0.0790 -0.0000
180 0.5767 nan 0.0790 -0.0000
200 0.5721 nan 0.0790 -0.0000
220 0.5688 nan 0.0790 -0.0001
240 0.5660 nan 0.0790 -0.0000
260 0.5629 nan 0.0790 -0.0000
280 0.5596 nan 0.0790 0.0001
300 0.5577 nan 0.0790 -0.0001
320 0.5552 nan 0.0790 -0.0000
340 0.5527 nan 0.0790 -0.0000
360 0.5505 nan 0.0790 -0.0000
380 0.5486 nan 0.0790 -0.0000
388 0.5480 nan 0.0790 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0574 nan 0.0803 0.0212
2 1.0217 nan 0.0803 0.0171
3 0.9917 nan 0.0803 0.0150
4 0.9671 nan 0.0803 0.0126
5 0.9392 nan 0.0803 0.0136
6 0.9161 nan 0.0803 0.0115
7 0.8965 nan 0.0803 0.0099
8 0.8797 nan 0.0803 0.0084
9 0.8663 nan 0.0803 0.0069
10 0.8527 nan 0.0803 0.0068
20 0.7712 nan 0.0803 0.0035
40 0.6922 nan 0.0803 0.0010
60 0.6573 nan 0.0803 0.0007
80 0.6395 nan 0.0803 0.0002
100 0.6282 nan 0.0803 0.0001
120 0.6201 nan 0.0803 0.0001
140 0.6140 nan 0.0803 0.0001
160 0.6086 nan 0.0803 -0.0000
180 0.6047 nan 0.0803 0.0000
200 0.6006 nan 0.0803 0.0001
220 0.5967 nan 0.0803 -0.0000
240 0.5939 nan 0.0803 0.0000
260 0.5917 nan 0.0803 0.0000
270 0.5903 nan 0.0803 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0507 nan 0.0808 0.0244
2 1.0109 nan 0.0808 0.0202
3 0.9754 nan 0.0808 0.0185
4 0.9462 nan 0.0808 0.0143
5 0.9202 nan 0.0808 0.0129
6 0.8978 nan 0.0808 0.0108
7 0.8794 nan 0.0808 0.0092
8 0.8600 nan 0.0808 0.0094
9 0.8436 nan 0.0808 0.0084
10 0.8288 nan 0.0808 0.0076
20 0.7420 nan 0.0808 0.0033
40 0.6668 nan 0.0808 0.0009
60 0.6365 nan 0.0808 0.0004
80 0.6198 nan 0.0808 0.0002
100 0.6083 nan 0.0808 0.0002
120 0.6003 nan 0.0808 0.0001
140 0.5934 nan 0.0808 0.0001
160 0.5886 nan 0.0808 0.0000
180 0.5846 nan 0.0808 -0.0000
200 0.5811 nan 0.0808 0.0000
220 0.5786 nan 0.0808 -0.0001
240 0.5752 nan 0.0808 -0.0000
260 0.5729 nan 0.0808 -0.0000
280 0.5701 nan 0.0808 0.0000
300 0.5679 nan 0.0808 -0.0000
320 0.5658 nan 0.0808 0.0000
340 0.5639 nan 0.0808 -0.0000
360 0.5617 nan 0.0808 -0.0000
380 0.5600 nan 0.0808 -0.0001
400 0.5577 nan 0.0808 -0.0000
420 0.5557 nan 0.0808 -0.0000
440 0.5543 nan 0.0808 -0.0000
460 0.5531 nan 0.0808 -0.0001
480 0.5518 nan 0.0808 -0.0000
500 0.5501 nan 0.0808 -0.0000
520 0.5484 nan 0.0808 -0.0001
540 0.5474 nan 0.0808 -0.0001
560 0.5463 nan 0.0808 -0.0001
580 0.5451 nan 0.0808 -0.0000
600 0.5438 nan 0.0808 -0.0000
620 0.5427 nan 0.0808 -0.0000
640 0.5417 nan 0.0808 -0.0000
660 0.5404 nan 0.0808 -0.0001
680 0.5390 nan 0.0808 -0.0000
700 0.5379 nan 0.0808 -0.0001
720 0.5369 nan 0.0808 -0.0000
723 0.5368 nan 0.0808 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0492 nan 0.0838 0.0251
2 1.0058 nan 0.0838 0.0210
3 0.9711 nan 0.0838 0.0174
4 0.9427 nan 0.0838 0.0143
5 0.9158 nan 0.0838 0.0136
6 0.8936 nan 0.0838 0.0112
7 0.8722 nan 0.0838 0.0105
8 0.8559 nan 0.0838 0.0079
9 0.8388 nan 0.0838 0.0087
10 0.8235 nan 0.0838 0.0074
20 0.7362 nan 0.0838 0.0028
40 0.6631 nan 0.0838 0.0010
60 0.6356 nan 0.0838 0.0003
80 0.6205 nan 0.0838 0.0000
100 0.6106 nan 0.0838 0.0001
120 0.6046 nan 0.0838 0.0000
123 0.6036 nan 0.0838 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0417 nan 0.0840 0.0301
2 0.9935 nan 0.0840 0.0234
3 0.9549 nan 0.0840 0.0189
4 0.9218 nan 0.0840 0.0161
5 0.8941 nan 0.0840 0.0136
6 0.8709 nan 0.0840 0.0116
7 0.8502 nan 0.0840 0.0102
8 0.8325 nan 0.0840 0.0087
9 0.8170 nan 0.0840 0.0075
10 0.8024 nan 0.0840 0.0069
20 0.7069 nan 0.0840 0.0030
40 0.6395 nan 0.0840 0.0010
60 0.6112 nan 0.0840 0.0004
80 0.5956 nan 0.0840 0.0001
100 0.5850 nan 0.0840 0.0000
120 0.5782 nan 0.0840 0.0001
140 0.5719 nan 0.0840 0.0002
160 0.5665 nan 0.0840 -0.0000
180 0.5617 nan 0.0840 0.0000
200 0.5575 nan 0.0840 -0.0001
220 0.5545 nan 0.0840 -0.0001
240 0.5515 nan 0.0840 -0.0000
260 0.5486 nan 0.0840 -0.0000
280 0.5465 nan 0.0840 -0.0002
300 0.5439 nan 0.0840 -0.0000
320 0.5412 nan 0.0840 0.0000
340 0.5383 nan 0.0840 -0.0000
360 0.5359 nan 0.0840 -0.0001
380 0.5338 nan 0.0840 -0.0000
400 0.5320 nan 0.0840 -0.0001
420 0.5304 nan 0.0840 -0.0001
440 0.5287 nan 0.0840 -0.0001
460 0.5268 nan 0.0840 -0.0001
480 0.5252 nan 0.0840 -0.0001
500 0.5235 nan 0.0840 -0.0001
520 0.5212 nan 0.0840 -0.0001
540 0.5196 nan 0.0840 -0.0001
560 0.5176 nan 0.0840 -0.0001
580 0.5159 nan 0.0840 -0.0001
600 0.5144 nan 0.0840 -0.0001
620 0.5129 nan 0.0840 -0.0001
640 0.5116 nan 0.0840 -0.0002
660 0.5099 nan 0.0840 -0.0001
680 0.5084 nan 0.0840 -0.0001
700 0.5071 nan 0.0840 -0.0001
720 0.5057 nan 0.0840 0.0000
740 0.5040 nan 0.0840 -0.0001
760 0.5027 nan 0.0840 -0.0001
780 0.5012 nan 0.0840 -0.0001
800 0.4998 nan 0.0840 -0.0000
820 0.4983 nan 0.0840 -0.0001
840 0.4969 nan 0.0840 -0.0001
860 0.4958 nan 0.0840 -0.0002
880 0.4947 nan 0.0840 -0.0001
900 0.4936 nan 0.0840 -0.0000
920 0.4922 nan 0.0840 -0.0001
939 0.4912 nan 0.0840 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0407 nan 0.0873 0.0295
2 0.9949 nan 0.0873 0.0226
3 0.9557 nan 0.0873 0.0196
4 0.9242 nan 0.0873 0.0159
5 0.8977 nan 0.0873 0.0132
6 0.8748 nan 0.0873 0.0111
7 0.8550 nan 0.0873 0.0097
8 0.8383 nan 0.0873 0.0083
9 0.8235 nan 0.0873 0.0073
10 0.8075 nan 0.0873 0.0078
20 0.7163 nan 0.0873 0.0025
40 0.6458 nan 0.0873 0.0010
60 0.6179 nan 0.0873 0.0003
80 0.5999 nan 0.0873 0.0002
100 0.5903 nan 0.0873 0.0002
120 0.5843 nan 0.0873 -0.0000
140 0.5779 nan 0.0873 -0.0000
160 0.5727 nan 0.0873 0.0002
180 0.5677 nan 0.0873 0.0000
200 0.5633 nan 0.0873 0.0000
220 0.5575 nan 0.0873 0.0003
240 0.5540 nan 0.0873 -0.0001
260 0.5504 nan 0.0873 -0.0000
280 0.5468 nan 0.0873 -0.0000
300 0.5434 nan 0.0873 0.0000
320 0.5408 nan 0.0873 -0.0000
340 0.5372 nan 0.0873 -0.0001
360 0.5341 nan 0.0873 -0.0000
380 0.5318 nan 0.0873 -0.0000
400 0.5290 nan 0.0873 -0.0001
420 0.5268 nan 0.0873 -0.0000
440 0.5245 nan 0.0873 -0.0000
442 0.5244 nan 0.0873 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0535 nan 0.0888 0.0237
2 1.0152 nan 0.0888 0.0187
3 0.9834 nan 0.0888 0.0160
4 0.9515 nan 0.0888 0.0157
5 0.9274 nan 0.0888 0.0117
6 0.9035 nan 0.0888 0.0121
7 0.8836 nan 0.0888 0.0096
8 0.8691 nan 0.0888 0.0071
9 0.8551 nan 0.0888 0.0070
10 0.8405 nan 0.0888 0.0072
20 0.7579 nan 0.0888 0.0023
40 0.6806 nan 0.0888 0.0014
60 0.6490 nan 0.0888 0.0002
80 0.6323 nan 0.0888 0.0002
100 0.6210 nan 0.0888 0.0001
120 0.6135 nan 0.0888 0.0000
140 0.6071 nan 0.0888 0.0000
160 0.6023 nan 0.0888 0.0000
180 0.5981 nan 0.0888 -0.0000
200 0.5947 nan 0.0888 0.0000
220 0.5920 nan 0.0888 0.0001
240 0.5892 nan 0.0888 -0.0000
260 0.5866 nan 0.0888 0.0000
280 0.5845 nan 0.0888 0.0000
300 0.5828 nan 0.0888 -0.0000
320 0.5810 nan 0.0888 -0.0000
340 0.5791 nan 0.0888 -0.0001
346 0.5786 nan 0.0888 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0391 nan 0.0896 0.0302
2 0.9913 nan 0.0896 0.0233
3 0.9530 nan 0.0896 0.0188
4 0.9208 nan 0.0896 0.0159
5 0.8948 nan 0.0896 0.0134
6 0.8713 nan 0.0896 0.0115
7 0.8514 nan 0.0896 0.0101
8 0.8348 nan 0.0896 0.0084
9 0.8185 nan 0.0896 0.0082
10 0.8057 nan 0.0896 0.0065
20 0.7107 nan 0.0896 0.0032
40 0.6427 nan 0.0896 0.0010
60 0.6149 nan 0.0896 0.0003
80 0.5999 nan 0.0896 0.0001
100 0.5903 nan 0.0896 0.0000
120 0.5827 nan 0.0896 0.0000
140 0.5766 nan 0.0896 0.0000
160 0.5719 nan 0.0896 0.0001
180 0.5678 nan 0.0896 -0.0001
200 0.5644 nan 0.0896 -0.0000
220 0.5604 nan 0.0896 0.0003
240 0.5570 nan 0.0896 -0.0001
256 0.5550 nan 0.0896 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0393 nan 0.0902 0.0311
2 0.9929 nan 0.0902 0.0238
3 0.9533 nan 0.0902 0.0197
4 0.9207 nan 0.0902 0.0163
5 0.8929 nan 0.0902 0.0137
6 0.8695 nan 0.0902 0.0114
7 0.8500 nan 0.0902 0.0099
8 0.8335 nan 0.0902 0.0081
9 0.8190 nan 0.0902 0.0070
10 0.8034 nan 0.0902 0.0079
20 0.7092 nan 0.0902 0.0036
40 0.6426 nan 0.0902 0.0007
60 0.6190 nan 0.0902 0.0005
80 0.6057 nan 0.0902 0.0001
100 0.5972 nan 0.0902 -0.0000
120 0.5909 nan 0.0902 -0.0000
140 0.5852 nan 0.0902 -0.0000
160 0.5807 nan 0.0902 -0.0000
180 0.5770 nan 0.0902 -0.0001
200 0.5735 nan 0.0902 -0.0000
220 0.5704 nan 0.0902 -0.0000
240 0.5673 nan 0.0902 -0.0001
260 0.5645 nan 0.0902 -0.0001
280 0.5619 nan 0.0902 -0.0001
300 0.5597 nan 0.0902 -0.0000
320 0.5576 nan 0.0902 -0.0001
340 0.5554 nan 0.0902 0.0001
360 0.5529 nan 0.0902 0.0000
380 0.5513 nan 0.0902 -0.0001
400 0.5490 nan 0.0902 -0.0000
420 0.5472 nan 0.0902 0.0000
440 0.5456 nan 0.0902 -0.0001
460 0.5442 nan 0.0902 -0.0001
480 0.5430 nan 0.0902 -0.0000
500 0.5415 nan 0.0902 -0.0001
520 0.5403 nan 0.0902 -0.0001
540 0.5391 nan 0.0902 -0.0001
560 0.5375 nan 0.0902 -0.0001
580 0.5364 nan 0.0902 -0.0001
600 0.5351 nan 0.0902 -0.0001
620 0.5339 nan 0.0902 -0.0001
640 0.5328 nan 0.0902 -0.0000
648 0.5323 nan 0.0902 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0409 nan 0.0960 0.0293
2 0.9956 nan 0.0960 0.0225
3 0.9556 nan 0.0960 0.0196
4 0.9244 nan 0.0960 0.0152
5 0.8945 nan 0.0960 0.0150
6 0.8728 nan 0.0960 0.0107
7 0.8532 nan 0.0960 0.0098
8 0.8341 nan 0.0960 0.0092
9 0.8173 nan 0.0960 0.0085
10 0.8022 nan 0.0960 0.0074
20 0.7174 nan 0.0960 0.0025
40 0.6510 nan 0.0960 0.0009
60 0.6244 nan 0.0960 0.0002
80 0.6092 nan 0.0960 0.0001
100 0.5996 nan 0.0960 -0.0001
120 0.5929 nan 0.0960 0.0000
140 0.5853 nan 0.0960 0.0001
160 0.5814 nan 0.0960 0.0000
180 0.5767 nan 0.0960 -0.0000
200 0.5725 nan 0.0960 -0.0000
220 0.5691 nan 0.0960 0.0001
240 0.5660 nan 0.0960 -0.0001
260 0.5619 nan 0.0960 -0.0001
280 0.5594 nan 0.0960 -0.0001
300 0.5575 nan 0.0960 -0.0001
320 0.5548 nan 0.0960 0.0000
340 0.5527 nan 0.0960 -0.0001
360 0.5513 nan 0.0960 -0.0001
380 0.5493 nan 0.0960 -0.0001
400 0.5470 nan 0.0960 -0.0001
420 0.5445 nan 0.0960 -0.0001
440 0.5424 nan 0.0960 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0630 nan 0.0965 0.0185
2 1.0331 nan 0.0965 0.0150
3 1.0088 nan 0.0965 0.0122
4 0.9876 nan 0.0965 0.0108
5 0.9670 nan 0.0965 0.0098
6 0.9521 nan 0.0965 0.0076
7 0.9359 nan 0.0965 0.0079
8 0.9246 nan 0.0965 0.0054
9 0.9093 nan 0.0965 0.0077
10 0.8972 nan 0.0965 0.0060
20 0.8140 nan 0.0965 0.0034
40 0.7345 nan 0.0965 0.0018
60 0.6934 nan 0.0965 0.0007
80 0.6676 nan 0.0965 0.0005
100 0.6530 nan 0.0965 0.0003
120 0.6424 nan 0.0965 0.0001
140 0.6347 nan 0.0965 0.0001
160 0.6285 nan 0.0965 0.0001
180 0.6234 nan 0.0965 -0.0000
200 0.6191 nan 0.0965 0.0002
220 0.6155 nan 0.0965 0.0000
240 0.6126 nan 0.0965 0.0000
260 0.6099 nan 0.0965 0.0000
280 0.6074 nan 0.0965 -0.0000
300 0.6053 nan 0.0965 0.0001
320 0.6032 nan 0.0965 -0.0000
340 0.6016 nan 0.0965 -0.0000
360 0.6000 nan 0.0965 -0.0000
380 0.5987 nan 0.0965 -0.0000
400 0.5975 nan 0.0965 0.0000
420 0.5963 nan 0.0965 -0.0000
440 0.5954 nan 0.0965 -0.0001
460 0.5947 nan 0.0965 0.0000
480 0.5940 nan 0.0965 -0.0000
500 0.5929 nan 0.0965 0.0000
520 0.5918 nan 0.0965 -0.0000
540 0.5910 nan 0.0965 -0.0000
560 0.5905 nan 0.0965 -0.0000
580 0.5899 nan 0.0965 -0.0000
600 0.5894 nan 0.0965 -0.0001
620 0.5887 nan 0.0965 -0.0000
640 0.5880 nan 0.0965 -0.0001
660 0.5874 nan 0.0965 0.0001
680 0.5871 nan 0.0965 -0.0000
700 0.5866 nan 0.0965 -0.0000
720 0.5862 nan 0.0965 -0.0000
740 0.5857 nan 0.0965 -0.0001
759 0.5852 nan 0.0965 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0409 nan 0.0983 0.0299
2 0.9933 nan 0.0983 0.0234
3 0.9526 nan 0.0983 0.0199
4 0.9208 nan 0.0983 0.0157
5 0.8937 nan 0.0983 0.0134
6 0.8685 nan 0.0983 0.0126
7 0.8467 nan 0.0983 0.0108
8 0.8307 nan 0.0983 0.0079
9 0.8148 nan 0.0983 0.0080
10 0.8021 nan 0.0983 0.0063
20 0.7197 nan 0.0983 0.0023
40 0.6517 nan 0.0983 0.0008
60 0.6253 nan 0.0983 0.0002
80 0.6089 nan 0.0983 0.0002
100 0.6005 nan 0.0983 0.0001
120 0.5936 nan 0.0983 0.0000
140 0.5877 nan 0.0983 0.0000
160 0.5835 nan 0.0983 -0.0001
180 0.5795 nan 0.0983 0.0000
200 0.5751 nan 0.0983 0.0000
220 0.5718 nan 0.0983 -0.0001
240 0.5689 nan 0.0983 -0.0000
260 0.5653 nan 0.0983 0.0001
280 0.5625 nan 0.0983 -0.0001
300 0.5605 nan 0.0983 -0.0001
320 0.5580 nan 0.0983 -0.0000
336 0.5566 nan 0.0983 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0625 nan 0.1014 0.0194
2 1.0318 nan 0.1014 0.0156
3 1.0058 nan 0.1014 0.0127
4 0.9838 nan 0.1014 0.0107
5 0.9675 nan 0.1014 0.0084
6 0.9474 nan 0.1014 0.0098
7 0.9358 nan 0.1014 0.0058
8 0.9196 nan 0.1014 0.0080
9 0.9036 nan 0.1014 0.0077
10 0.8905 nan 0.1014 0.0064
20 0.8098 nan 0.1014 0.0025
40 0.7282 nan 0.1014 0.0010
60 0.6877 nan 0.1014 0.0008
80 0.6649 nan 0.1014 0.0003
100 0.6482 nan 0.1014 0.0003
120 0.6385 nan 0.1014 0.0001
140 0.6318 nan 0.1014 -0.0000
160 0.6258 nan 0.1014 0.0000
180 0.6219 nan 0.1014 -0.0000
200 0.6178 nan 0.1014 0.0002
220 0.6146 nan 0.1014 0.0000
240 0.6121 nan 0.1014 0.0000
260 0.6098 nan 0.1014 0.0000
280 0.6074 nan 0.1014 -0.0000
300 0.6059 nan 0.1014 -0.0000
320 0.6045 nan 0.1014 0.0000
340 0.6028 nan 0.1014 -0.0000
360 0.6012 nan 0.1014 0.0000
380 0.6004 nan 0.1014 -0.0000
400 0.5992 nan 0.1014 0.0000
420 0.5983 nan 0.1014 -0.0000
440 0.5974 nan 0.1014 0.0000
460 0.5966 nan 0.1014 0.0000
480 0.5956 nan 0.1014 -0.0001
500 0.5948 nan 0.1014 -0.0000
520 0.5940 nan 0.1014 -0.0001
540 0.5934 nan 0.1014 -0.0000
560 0.5928 nan 0.1014 -0.0000
580 0.5923 nan 0.1014 -0.0000
600 0.5918 nan 0.1014 -0.0000
620 0.5911 nan 0.1014 -0.0000
640 0.5905 nan 0.1014 -0.0000
660 0.5900 nan 0.1014 0.0000
680 0.5896 nan 0.1014 -0.0000
700 0.5891 nan 0.1014 -0.0000
720 0.5887 nan 0.1014 -0.0000
740 0.5883 nan 0.1014 -0.0000
760 0.5881 nan 0.1014 -0.0000
780 0.5878 nan 0.1014 -0.0000
800 0.5875 nan 0.1014 -0.0001
820 0.5870 nan 0.1014 -0.0000
840 0.5866 nan 0.1014 -0.0000
860 0.5864 nan 0.1014 -0.0000
880 0.5860 nan 0.1014 -0.0000
896 0.5857 nan 0.1014 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0386 nan 0.1018 0.0310
2 0.9918 nan 0.1018 0.0237
3 0.9527 nan 0.1018 0.0196
4 0.9196 nan 0.1018 0.0162
5 0.8909 nan 0.1018 0.0141
6 0.8690 nan 0.1018 0.0112
7 0.8464 nan 0.1018 0.0111
8 0.8278 nan 0.1018 0.0091
9 0.8108 nan 0.1018 0.0081
10 0.7971 nan 0.1018 0.0066
20 0.7118 nan 0.1018 0.0029
40 0.6472 nan 0.1018 0.0009
60 0.6218 nan 0.1018 0.0002
80 0.6086 nan 0.1018 0.0000
100 0.5990 nan 0.1018 0.0003
120 0.5926 nan 0.1018 -0.0001
140 0.5868 nan 0.1018 0.0000
160 0.5821 nan 0.1018 0.0001
180 0.5785 nan 0.1018 -0.0000
200 0.5749 nan 0.1018 -0.0000
220 0.5713 nan 0.1018 -0.0001
240 0.5686 nan 0.1018 -0.0000
260 0.5661 nan 0.1018 -0.0000
280 0.5639 nan 0.1018 -0.0001
300 0.5618 nan 0.1018 -0.0000
302 0.5616 nan 0.1018 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0457 nan 0.1024 0.0273
2 1.0048 nan 0.1024 0.0206
3 0.9700 nan 0.1024 0.0176
4 0.9359 nan 0.1024 0.0172
5 0.9077 nan 0.1024 0.0137
6 0.8845 nan 0.1024 0.0113
7 0.8676 nan 0.1024 0.0080
8 0.8503 nan 0.1024 0.0085
9 0.8380 nan 0.1024 0.0060
10 0.8247 nan 0.1024 0.0065
20 0.7415 nan 0.1024 0.0030
40 0.6701 nan 0.1024 0.0010
60 0.6424 nan 0.1024 0.0002
80 0.6258 nan 0.1024 0.0001
100 0.6154 nan 0.1024 0.0000
120 0.6087 nan 0.1024 0.0001
140 0.6030 nan 0.1024 0.0002
160 0.5977 nan 0.1024 0.0001
180 0.5935 nan 0.1024 -0.0000
200 0.5897 nan 0.1024 0.0001
220 0.5863 nan 0.1024 0.0003
240 0.5831 nan 0.1024 -0.0001
260 0.5802 nan 0.1024 0.0000
280 0.5778 nan 0.1024 0.0000
300 0.5746 nan 0.1024 0.0002
320 0.5726 nan 0.1024 0.0000
340 0.5708 nan 0.1024 0.0000
360 0.5689 nan 0.1024 -0.0000
380 0.5673 nan 0.1024 -0.0000
400 0.5660 nan 0.1024 0.0000
420 0.5638 nan 0.1024 -0.0001
440 0.5618 nan 0.1024 -0.0000
460 0.5605 nan 0.1024 -0.0000
480 0.5593 nan 0.1024 -0.0000
500 0.5579 nan 0.1024 -0.0000
520 0.5566 nan 0.1024 -0.0000
540 0.5554 nan 0.1024 -0.0001
560 0.5542 nan 0.1024 -0.0001
580 0.5534 nan 0.1024 -0.0001
600 0.5524 nan 0.1024 -0.0001
620 0.5515 nan 0.1024 -0.0000
640 0.5508 nan 0.1024 -0.0001
660 0.5494 nan 0.1024 -0.0000
680 0.5484 nan 0.1024 -0.0001
700 0.5478 nan 0.1024 -0.0000
720 0.5471 nan 0.1024 -0.0000
740 0.5461 nan 0.1024 -0.0000
760 0.5451 nan 0.1024 -0.0001
780 0.5445 nan 0.1024 -0.0000
800 0.5439 nan 0.1024 -0.0001
820 0.5429 nan 0.1024 -0.0001
840 0.5420 nan 0.1024 0.0000
851 0.5417 nan 0.1024 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0378 nan 0.1035 0.0310
2 0.9872 nan 0.1035 0.0249
3 0.9478 nan 0.1035 0.0192
4 0.9162 nan 0.1035 0.0154
5 0.8878 nan 0.1035 0.0139
6 0.8642 nan 0.1035 0.0116
7 0.8449 nan 0.1035 0.0098
8 0.8245 nan 0.1035 0.0099
9 0.8101 nan 0.1035 0.0070
10 0.7966 nan 0.1035 0.0066
20 0.7107 nan 0.1035 0.0033
40 0.6451 nan 0.1035 0.0009
60 0.6211 nan 0.1035 0.0002
80 0.6074 nan 0.1035 0.0002
100 0.5966 nan 0.1035 0.0000
120 0.5901 nan 0.1035 0.0000
140 0.5837 nan 0.1035 0.0000
160 0.5791 nan 0.1035 0.0001
180 0.5741 nan 0.1035 0.0001
190 0.5713 nan 0.1035 0.0003
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0375 nan 0.1036 0.0308
2 0.9882 nan 0.1036 0.0240
3 0.9469 nan 0.1036 0.0211
4 0.9149 nan 0.1036 0.0163
5 0.8875 nan 0.1036 0.0138
6 0.8661 nan 0.1036 0.0107
7 0.8436 nan 0.1036 0.0111
8 0.8248 nan 0.1036 0.0095
9 0.8083 nan 0.1036 0.0080
10 0.7982 nan 0.1036 0.0049
20 0.7151 nan 0.1036 0.0026
40 0.6460 nan 0.1036 0.0011
60 0.6212 nan 0.1036 0.0002
80 0.6066 nan 0.1036 0.0003
100 0.5967 nan 0.1036 0.0002
120 0.5892 nan 0.1036 0.0001
140 0.5841 nan 0.1036 0.0000
160 0.5792 nan 0.1036 0.0000
180 0.5752 nan 0.1036 -0.0000
200 0.5718 nan 0.1036 0.0000
220 0.5684 nan 0.1036 -0.0001
240 0.5657 nan 0.1036 -0.0000
260 0.5625 nan 0.1036 0.0000
280 0.5596 nan 0.1036 -0.0001
300 0.5576 nan 0.1036 -0.0001
320 0.5556 nan 0.1036 -0.0000
340 0.5535 nan 0.1036 -0.0000
360 0.5519 nan 0.1036 -0.0000
380 0.5500 nan 0.1036 -0.0000
400 0.5483 nan 0.1036 -0.0001
420 0.5466 nan 0.1036 -0.0001
440 0.5448 nan 0.1036 -0.0001
460 0.5435 nan 0.1036 -0.0000
480 0.5425 nan 0.1036 -0.0001
500 0.5411 nan 0.1036 -0.0000
520 0.5396 nan 0.1036 -0.0001
540 0.5381 nan 0.1036 -0.0000
560 0.5362 nan 0.1036 -0.0001
580 0.5351 nan 0.1036 -0.0000
600 0.5337 nan 0.1036 -0.0001
620 0.5324 nan 0.1036 0.0000
640 0.5314 nan 0.1036 -0.0000
660 0.5303 nan 0.1036 -0.0001
677 0.5293 nan 0.1036 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0280 nan 0.1079 0.0365
2 0.9748 nan 0.1079 0.0265
3 0.9321 nan 0.1079 0.0213
4 0.8985 nan 0.1079 0.0169
5 0.8711 nan 0.1079 0.0139
6 0.8463 nan 0.1079 0.0123
7 0.8267 nan 0.1079 0.0100
8 0.8072 nan 0.1079 0.0096
9 0.7912 nan 0.1079 0.0077
10 0.7759 nan 0.1079 0.0076
20 0.6890 nan 0.1079 0.0027
40 0.6310 nan 0.1079 0.0004
60 0.6082 nan 0.1079 0.0002
80 0.5947 nan 0.1079 0.0001
100 0.5851 nan 0.1079 0.0000
120 0.5791 nan 0.1079 0.0000
140 0.5734 nan 0.1079 -0.0000
160 0.5690 nan 0.1079 -0.0001
180 0.5648 nan 0.1079 0.0001
200 0.5614 nan 0.1079 -0.0001
220 0.5579 nan 0.1079 -0.0001
240 0.5550 nan 0.1079 -0.0002
260 0.5519 nan 0.1079 -0.0000
280 0.5495 nan 0.1079 -0.0000
300 0.5468 nan 0.1079 0.0001
320 0.5440 nan 0.1079 -0.0000
340 0.5419 nan 0.1079 -0.0001
360 0.5400 nan 0.1079 -0.0001
380 0.5382 nan 0.1079 -0.0002
400 0.5365 nan 0.1079 -0.0000
419 0.5346 nan 0.1079 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0344 nan 0.1099 0.0332
2 0.9847 nan 0.1099 0.0250
3 0.9437 nan 0.1099 0.0211
4 0.9096 nan 0.1099 0.0169
5 0.8781 nan 0.1099 0.0158
6 0.8562 nan 0.1099 0.0110
7 0.8370 nan 0.1099 0.0094
8 0.8177 nan 0.1099 0.0098
9 0.8035 nan 0.1099 0.0069
10 0.7885 nan 0.1099 0.0075
20 0.7051 nan 0.1099 0.0033
40 0.6433 nan 0.1099 0.0004
60 0.6172 nan 0.1099 0.0007
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0317 nan 0.1114 0.0335
2 0.9787 nan 0.1114 0.0264
3 0.9383 nan 0.1114 0.0199
4 0.9051 nan 0.1114 0.0164
5 0.8755 nan 0.1114 0.0151
6 0.8504 nan 0.1114 0.0127
7 0.8319 nan 0.1114 0.0092
8 0.8117 nan 0.1114 0.0098
9 0.7955 nan 0.1114 0.0079
10 0.7829 nan 0.1114 0.0061
20 0.7036 nan 0.1114 0.0022
40 0.6410 nan 0.1114 0.0009
60 0.6192 nan 0.1114 0.0003
80 0.6074 nan 0.1114 0.0004
100 0.5994 nan 0.1114 0.0002
120 0.5927 nan 0.1114 -0.0001
140 0.5882 nan 0.1114 -0.0001
160 0.5837 nan 0.1114 -0.0000
180 0.5797 nan 0.1114 0.0002
200 0.5760 nan 0.1114 -0.0001
220 0.5732 nan 0.1114 -0.0001
240 0.5709 nan 0.1114 -0.0000
260 0.5679 nan 0.1114 -0.0001
280 0.5661 nan 0.1114 -0.0001
300 0.5643 nan 0.1114 0.0000
320 0.5615 nan 0.1114 -0.0001
340 0.5593 nan 0.1114 0.0001
360 0.5579 nan 0.1114 -0.0000
380 0.5559 nan 0.1114 -0.0000
400 0.5541 nan 0.1114 -0.0000
420 0.5522 nan 0.1114 -0.0001
440 0.5509 nan 0.1114 -0.0001
460 0.5497 nan 0.1114 -0.0000
480 0.5487 nan 0.1114 -0.0002
500 0.5474 nan 0.1114 -0.0001
520 0.5457 nan 0.1114 0.0000
540 0.5442 nan 0.1114 -0.0001
560 0.5431 nan 0.1114 -0.0001
580 0.5422 nan 0.1114 -0.0001
600 0.5409 nan 0.1114 -0.0001
620 0.5400 nan 0.1114 -0.0000
640 0.5388 nan 0.1114 -0.0001
660 0.5380 nan 0.1114 -0.0001
680 0.5366 nan 0.1114 0.0000
685 0.5364 nan 0.1114 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0579 nan 0.1122 0.0213
2 1.0251 nan 0.1122 0.0167
3 0.9993 nan 0.1122 0.0125
4 0.9736 nan 0.1122 0.0129
5 0.9573 nan 0.1122 0.0081
6 0.9371 nan 0.1122 0.0101
7 0.9186 nan 0.1122 0.0090
8 0.9021 nan 0.1122 0.0080
9 0.8915 nan 0.1122 0.0054
10 0.8787 nan 0.1122 0.0065
20 0.7966 nan 0.1122 0.0024
40 0.7188 nan 0.1122 0.0010
60 0.6805 nan 0.1122 0.0004
80 0.6576 nan 0.1122 0.0006
100 0.6434 nan 0.1122 0.0003
120 0.6340 nan 0.1122 0.0002
140 0.6273 nan 0.1122 0.0001
160 0.6217 nan 0.1122 0.0000
180 0.6175 nan 0.1122 0.0000
200 0.6134 nan 0.1122 0.0000
220 0.6103 nan 0.1122 0.0000
240 0.6073 nan 0.1122 0.0000
260 0.6051 nan 0.1122 -0.0000
280 0.6029 nan 0.1122 -0.0000
300 0.6006 nan 0.1122 0.0001
320 0.5991 nan 0.1122 -0.0000
340 0.5977 nan 0.1122 -0.0000
360 0.5967 nan 0.1122 -0.0001
380 0.5954 nan 0.1122 -0.0000
400 0.5943 nan 0.1122 0.0000
420 0.5931 nan 0.1122 0.0000
440 0.5923 nan 0.1122 -0.0000
460 0.5916 nan 0.1122 0.0000
480 0.5905 nan 0.1122 0.0000
500 0.5895 nan 0.1122 0.0000
520 0.5888 nan 0.1122 -0.0000
540 0.5883 nan 0.1122 -0.0000
560 0.5877 nan 0.1122 -0.0000
580 0.5871 nan 0.1122 -0.0001
600 0.5866 nan 0.1122 -0.0001
615 0.5861 nan 0.1122 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0365 nan 0.1211 0.0316
2 0.9889 nan 0.1211 0.0243
3 0.9517 nan 0.1211 0.0183
4 0.9151 nan 0.1211 0.0187
5 0.8862 nan 0.1211 0.0144
6 0.8650 nan 0.1211 0.0105
7 0.8458 nan 0.1211 0.0097
8 0.8312 nan 0.1211 0.0074
9 0.8166 nan 0.1211 0.0072
10 0.8017 nan 0.1211 0.0072
20 0.7213 nan 0.1211 0.0030
40 0.6576 nan 0.1211 0.0011
60 0.6329 nan 0.1211 0.0002
80 0.6196 nan 0.1211 0.0002
100 0.6104 nan 0.1211 0.0004
120 0.6032 nan 0.1211 -0.0000
140 0.5982 nan 0.1211 0.0002
160 0.5942 nan 0.1211 0.0001
180 0.5898 nan 0.1211 0.0003
200 0.5867 nan 0.1211 -0.0000
220 0.5841 nan 0.1211 -0.0000
240 0.5814 nan 0.1211 -0.0001
260 0.5796 nan 0.1211 -0.0001
280 0.5770 nan 0.1211 -0.0000
300 0.5750 nan 0.1211 -0.0000
320 0.5729 nan 0.1211 0.0000
340 0.5717 nan 0.1211 0.0000
360 0.5699 nan 0.1211 -0.0000
380 0.5681 nan 0.1211 0.0001
400 0.5670 nan 0.1211 -0.0001
420 0.5655 nan 0.1211 -0.0001
440 0.5643 nan 0.1211 -0.0001
460 0.5622 nan 0.1211 -0.0001
480 0.5610 nan 0.1211 -0.0001
500 0.5600 nan 0.1211 -0.0000
520 0.5589 nan 0.1211 -0.0001
540 0.5579 nan 0.1211 -0.0001
560 0.5569 nan 0.1211 -0.0002
580 0.5559 nan 0.1211 -0.0001
600 0.5550 nan 0.1211 -0.0000
620 0.5539 nan 0.1211 -0.0001
640 0.5530 nan 0.1211 -0.0000
660 0.5519 nan 0.1211 -0.0001
680 0.5512 nan 0.1211 -0.0001
700 0.5504 nan 0.1211 -0.0000
720 0.5500 nan 0.1211 -0.0001
740 0.5491 nan 0.1211 -0.0001
760 0.5484 nan 0.1211 -0.0001
780 0.5476 nan 0.1211 -0.0001
800 0.5472 nan 0.1211 -0.0001
820 0.5464 nan 0.1211 -0.0001
840 0.5455 nan 0.1211 -0.0000
848 0.5454 nan 0.1211 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0119 nan 0.1273 0.0444
2 0.9516 nan 0.1273 0.0305
3 0.9050 nan 0.1273 0.0232
4 0.8696 nan 0.1273 0.0177
5 0.8396 nan 0.1273 0.0153
6 0.8162 nan 0.1273 0.0114
7 0.7955 nan 0.1273 0.0101
8 0.7773 nan 0.1273 0.0089
9 0.7605 nan 0.1273 0.0080
10 0.7444 nan 0.1273 0.0080
20 0.6601 nan 0.1273 0.0018
40 0.6109 nan 0.1273 0.0009
60 0.5928 nan 0.1273 0.0003
80 0.5799 nan 0.1273 0.0002
100 0.5705 nan 0.1273 0.0001
120 0.5647 nan 0.1273 0.0000
140 0.5600 nan 0.1273 -0.0000
160 0.5556 nan 0.1273 -0.0001
180 0.5513 nan 0.1273 -0.0000
200 0.5470 nan 0.1273 -0.0001
220 0.5440 nan 0.1273 -0.0001
240 0.5409 nan 0.1273 -0.0001
260 0.5376 nan 0.1273 0.0000
280 0.5337 nan 0.1273 -0.0002
300 0.5306 nan 0.1273 -0.0000
320 0.5279 nan 0.1273 -0.0001
340 0.5253 nan 0.1273 -0.0002
360 0.5232 nan 0.1273 -0.0001
380 0.5209 nan 0.1273 -0.0002
400 0.5186 nan 0.1273 0.0001
420 0.5165 nan 0.1273 -0.0001
440 0.5143 nan 0.1273 -0.0002
460 0.5126 nan 0.1273 -0.0001
480 0.5105 nan 0.1273 -0.0001
500 0.5087 nan 0.1273 -0.0001
520 0.5068 nan 0.1273 -0.0002
540 0.5051 nan 0.1273 -0.0001
560 0.5037 nan 0.1273 -0.0001
580 0.5020 nan 0.1273 -0.0001
600 0.5008 nan 0.1273 -0.0001
620 0.4991 nan 0.1273 -0.0002
638 0.4975 nan 0.1273 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0240 nan 0.1282 0.0378
2 0.9687 nan 0.1282 0.0274
3 0.9228 nan 0.1282 0.0237
4 0.8886 nan 0.1282 0.0173
5 0.8593 nan 0.1282 0.0144
6 0.8336 nan 0.1282 0.0131
7 0.8168 nan 0.1282 0.0083
8 0.7996 nan 0.1282 0.0088
9 0.7850 nan 0.1282 0.0071
10 0.7709 nan 0.1282 0.0069
20 0.6890 nan 0.1282 0.0028
40 0.6322 nan 0.1282 0.0005
60 0.6103 nan 0.1282 0.0005
80 0.5973 nan 0.1282 0.0003
100 0.5893 nan 0.1282 -0.0001
120 0.5829 nan 0.1282 -0.0000
140 0.5779 nan 0.1282 -0.0001
156 0.5748 nan 0.1282 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0139 nan 0.1284 0.0426
2 0.9550 nan 0.1284 0.0298
3 0.9107 nan 0.1284 0.0217
4 0.8736 nan 0.1284 0.0182
5 0.8435 nan 0.1284 0.0145
6 0.8198 nan 0.1284 0.0118
7 0.7977 nan 0.1284 0.0108
8 0.7818 nan 0.1284 0.0079
9 0.7646 nan 0.1284 0.0085
10 0.7527 nan 0.1284 0.0057
20 0.6708 nan 0.1284 0.0026
40 0.6206 nan 0.1284 0.0004
60 0.6024 nan 0.1284 0.0002
80 0.5907 nan 0.1284 0.0002
100 0.5824 nan 0.1284 -0.0000
120 0.5762 nan 0.1284 0.0001
140 0.5711 nan 0.1284 -0.0001
160 0.5669 nan 0.1284 -0.0002
180 0.5620 nan 0.1284 -0.0001
200 0.5592 nan 0.1284 -0.0001
220 0.5563 nan 0.1284 -0.0000
240 0.5533 nan 0.1284 0.0000
260 0.5508 nan 0.1284 -0.0001
280 0.5484 nan 0.1284 -0.0001
300 0.5455 nan 0.1284 -0.0001
320 0.5426 nan 0.1284 -0.0001
340 0.5411 nan 0.1284 -0.0000
360 0.5393 nan 0.1284 -0.0001
380 0.5377 nan 0.1284 -0.0000
400 0.5354 nan 0.1284 0.0002
420 0.5334 nan 0.1284 -0.0001
440 0.5321 nan 0.1284 -0.0001
460 0.5306 nan 0.1284 -0.0000
480 0.5290 nan 0.1284 -0.0001
500 0.5272 nan 0.1284 -0.0002
520 0.5255 nan 0.1284 -0.0001
540 0.5239 nan 0.1284 -0.0001
560 0.5222 nan 0.1284 -0.0001
580 0.5205 nan 0.1284 -0.0001
600 0.5189 nan 0.1284 -0.0001
620 0.5175 nan 0.1284 -0.0000
640 0.5164 nan 0.1284 -0.0001
660 0.5152 nan 0.1284 0.0000
680 0.5136 nan 0.1284 -0.0001
700 0.5124 nan 0.1284 -0.0001
720 0.5113 nan 0.1284 -0.0001
740 0.5102 nan 0.1284 -0.0002
746 0.5097 nan 0.1284 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0099 nan 0.1297 0.0453
2 0.9479 nan 0.1297 0.0304
3 0.9000 nan 0.1297 0.0237
4 0.8635 nan 0.1297 0.0177
5 0.8335 nan 0.1297 0.0145
6 0.8097 nan 0.1297 0.0119
7 0.7888 nan 0.1297 0.0101
8 0.7699 nan 0.1297 0.0092
9 0.7527 nan 0.1297 0.0082
10 0.7384 nan 0.1297 0.0070
20 0.6583 nan 0.1297 0.0027
40 0.6076 nan 0.1297 0.0004
60 0.5859 nan 0.1297 0.0001
80 0.5753 nan 0.1297 -0.0001
100 0.5668 nan 0.1297 -0.0001
120 0.5586 nan 0.1297 0.0000
140 0.5533 nan 0.1297 -0.0001
160 0.5479 nan 0.1297 -0.0001
180 0.5436 nan 0.1297 -0.0001
200 0.5400 nan 0.1297 -0.0002
220 0.5363 nan 0.1297 -0.0001
240 0.5327 nan 0.1297 -0.0001
260 0.5295 nan 0.1297 -0.0001
280 0.5269 nan 0.1297 -0.0002
300 0.5231 nan 0.1297 -0.0002
320 0.5198 nan 0.1297 -0.0001
340 0.5176 nan 0.1297 -0.0001
360 0.5153 nan 0.1297 -0.0000
380 0.5129 nan 0.1297 -0.0002
400 0.5110 nan 0.1297 -0.0001
420 0.5089 nan 0.1297 -0.0001
440 0.5066 nan 0.1297 -0.0001
460 0.5049 nan 0.1297 -0.0002
480 0.5028 nan 0.1297 -0.0002
500 0.5006 nan 0.1297 -0.0002
509 0.4996 nan 0.1297 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0316 nan 0.1319 0.0346
2 0.9814 nan 0.1319 0.0251
3 0.9426 nan 0.1319 0.0194
4 0.9050 nan 0.1319 0.0190
5 0.8748 nan 0.1319 0.0148
6 0.8551 nan 0.1319 0.0098
7 0.8343 nan 0.1319 0.0102
8 0.8179 nan 0.1319 0.0080
9 0.8057 nan 0.1319 0.0060
10 0.7924 nan 0.1319 0.0065
20 0.7126 nan 0.1319 0.0020
40 0.6496 nan 0.1319 0.0007
60 0.6270 nan 0.1319 0.0006
80 0.6152 nan 0.1319 0.0000
100 0.6081 nan 0.1319 -0.0001
120 0.6015 nan 0.1319 -0.0001
140 0.5960 nan 0.1319 -0.0000
160 0.5928 nan 0.1319 0.0000
180 0.5893 nan 0.1319 -0.0000
200 0.5864 nan 0.1319 -0.0000
220 0.5836 nan 0.1319 0.0000
240 0.5810 nan 0.1319 -0.0001
260 0.5789 nan 0.1319 -0.0000
280 0.5767 nan 0.1319 0.0001
300 0.5747 nan 0.1319 -0.0001
320 0.5726 nan 0.1319 0.0000
340 0.5708 nan 0.1319 -0.0001
360 0.5692 nan 0.1319 -0.0000
380 0.5673 nan 0.1319 -0.0001
400 0.5659 nan 0.1319 -0.0000
420 0.5642 nan 0.1319 -0.0000
440 0.5632 nan 0.1319 -0.0001
460 0.5620 nan 0.1319 -0.0001
480 0.5608 nan 0.1319 -0.0001
500 0.5598 nan 0.1319 -0.0001
520 0.5585 nan 0.1319 0.0000
540 0.5579 nan 0.1319 -0.0000
560 0.5569 nan 0.1319 -0.0000
580 0.5560 nan 0.1319 -0.0000
600 0.5551 nan 0.1319 -0.0000
620 0.5543 nan 0.1319 -0.0001
640 0.5536 nan 0.1319 -0.0001
660 0.5526 nan 0.1319 -0.0001
680 0.5513 nan 0.1319 -0.0001
700 0.5504 nan 0.1319 0.0000
720 0.5496 nan 0.1319 -0.0001
740 0.5491 nan 0.1319 -0.0001
760 0.5484 nan 0.1319 -0.0001
780 0.5475 nan 0.1319 -0.0001
797 0.5471 nan 0.1319 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0303 nan 0.1323 0.0338
2 0.9816 nan 0.1323 0.0242
3 0.9331 nan 0.1323 0.0247
4 0.8976 nan 0.1323 0.0183
5 0.8718 nan 0.1323 0.0123
6 0.8503 nan 0.1323 0.0109
7 0.8322 nan 0.1323 0.0086
8 0.8136 nan 0.1323 0.0093
9 0.7999 nan 0.1323 0.0070
10 0.7891 nan 0.1323 0.0053
20 0.7081 nan 0.1323 0.0029
40 0.6501 nan 0.1323 0.0007
60 0.6285 nan 0.1323 0.0003
80 0.6142 nan 0.1323 0.0003
100 0.6050 nan 0.1323 -0.0000
120 0.5981 nan 0.1323 0.0001
140 0.5917 nan 0.1323 0.0000
160 0.5881 nan 0.1323 -0.0001
180 0.5832 nan 0.1323 0.0000
200 0.5799 nan 0.1323 0.0000
220 0.5772 nan 0.1323 -0.0000
240 0.5742 nan 0.1323 -0.0000
260 0.5711 nan 0.1323 -0.0001
280 0.5688 nan 0.1323 -0.0000
300 0.5663 nan 0.1323 -0.0001
320 0.5636 nan 0.1323 -0.0001
340 0.5613 nan 0.1323 -0.0001
360 0.5600 nan 0.1323 -0.0001
380 0.5586 nan 0.1323 -0.0000
400 0.5569 nan 0.1323 -0.0001
420 0.5549 nan 0.1323 -0.0001
440 0.5532 nan 0.1323 -0.0001
460 0.5519 nan 0.1323 -0.0001
480 0.5504 nan 0.1323 0.0001
500 0.5491 nan 0.1323 -0.0001
520 0.5478 nan 0.1323 -0.0001
540 0.5465 nan 0.1323 -0.0001
560 0.5455 nan 0.1323 -0.0000
580 0.5445 nan 0.1323 -0.0001
600 0.5432 nan 0.1323 -0.0001
620 0.5418 nan 0.1323 -0.0001
640 0.5407 nan 0.1323 -0.0000
660 0.5394 nan 0.1323 -0.0001
680 0.5384 nan 0.1323 -0.0001
700 0.5373 nan 0.1323 -0.0001
720 0.5364 nan 0.1323 -0.0001
740 0.5354 nan 0.1323 -0.0001
760 0.5341 nan 0.1323 0.0001
780 0.5333 nan 0.1323 -0.0001
800 0.5324 nan 0.1323 -0.0000
820 0.5314 nan 0.1323 -0.0001
840 0.5305 nan 0.1323 -0.0001
860 0.5299 nan 0.1323 -0.0001
880 0.5294 nan 0.1323 -0.0001
900 0.5287 nan 0.1323 -0.0001
920 0.5278 nan 0.1323 -0.0000
940 0.5269 nan 0.1323 -0.0000
960 0.5261 nan 0.1323 -0.0001
980 0.5250 nan 0.1323 -0.0000
981 0.5247 nan 0.1323 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0297 nan 0.1371 0.0354
2 0.9772 nan 0.1371 0.0254
3 0.9385 nan 0.1371 0.0198
4 0.8998 nan 0.1371 0.0190
5 0.8712 nan 0.1371 0.0145
6 0.8508 nan 0.1371 0.0104
7 0.8298 nan 0.1371 0.0104
8 0.8157 nan 0.1371 0.0068
9 0.8020 nan 0.1371 0.0067
10 0.7891 nan 0.1371 0.0061
20 0.7063 nan 0.1371 0.0025
40 0.6464 nan 0.1371 0.0009
60 0.6242 nan 0.1371 0.0005
80 0.6112 nan 0.1371 0.0002
100 0.6025 nan 0.1371 0.0001
120 0.5959 nan 0.1371 -0.0000
140 0.5913 nan 0.1371 -0.0000
160 0.5876 nan 0.1371 -0.0001
180 0.5839 nan 0.1371 -0.0001
200 0.5809 nan 0.1371 -0.0000
220 0.5776 nan 0.1371 -0.0000
240 0.5748 nan 0.1371 -0.0000
260 0.5725 nan 0.1371 -0.0000
280 0.5690 nan 0.1371 0.0000
300 0.5668 nan 0.1371 -0.0000
320 0.5652 nan 0.1371 -0.0000
340 0.5633 nan 0.1371 -0.0001
360 0.5619 nan 0.1371 -0.0000
380 0.5593 nan 0.1371 -0.0000
400 0.5576 nan 0.1371 -0.0001
420 0.5561 nan 0.1371 -0.0001
440 0.5544 nan 0.1371 -0.0000
460 0.5534 nan 0.1371 -0.0001
480 0.5519 nan 0.1371 -0.0000
500 0.5496 nan 0.1371 -0.0001
520 0.5480 nan 0.1371 -0.0001
540 0.5468 nan 0.1371 -0.0000
560 0.5456 nan 0.1371 -0.0000
580 0.5446 nan 0.1371 -0.0001
593 0.5436 nan 0.1371 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0090 nan 0.1425 0.0451
2 0.9424 nan 0.1425 0.0330
3 0.8951 nan 0.1425 0.0238
4 0.8588 nan 0.1425 0.0178
5 0.8314 nan 0.1425 0.0136
6 0.8062 nan 0.1425 0.0123
7 0.7881 nan 0.1425 0.0092
8 0.7698 nan 0.1425 0.0089
9 0.7536 nan 0.1425 0.0075
10 0.7374 nan 0.1425 0.0081
20 0.6586 nan 0.1425 0.0020
40 0.6125 nan 0.1425 0.0005
60 0.5927 nan 0.1425 0.0003
80 0.5807 nan 0.1425 0.0000
100 0.5720 nan 0.1425 -0.0001
120 0.5662 nan 0.1425 0.0003
140 0.5604 nan 0.1425 -0.0001
160 0.5540 nan 0.1425 -0.0001
180 0.5493 nan 0.1425 -0.0001
200 0.5451 nan 0.1425 -0.0000
220 0.5420 nan 0.1425 -0.0002
240 0.5389 nan 0.1425 -0.0001
260 0.5348 nan 0.1425 -0.0001
280 0.5321 nan 0.1425 -0.0001
300 0.5280 nan 0.1425 -0.0001
320 0.5248 nan 0.1425 0.0000
340 0.5225 nan 0.1425 -0.0001
360 0.5203 nan 0.1425 -0.0002
380 0.5178 nan 0.1425 -0.0001
400 0.5146 nan 0.1425 -0.0001
420 0.5123 nan 0.1425 -0.0002
440 0.5096 nan 0.1425 -0.0000
460 0.5075 nan 0.1425 -0.0001
480 0.5056 nan 0.1425 -0.0001
500 0.5034 nan 0.1425 -0.0001
520 0.5020 nan 0.1425 -0.0002
540 0.5004 nan 0.1425 -0.0003
560 0.4986 nan 0.1425 -0.0002
580 0.4964 nan 0.1425 -0.0001
600 0.4943 nan 0.1425 -0.0001
620 0.4925 nan 0.1425 -0.0001
640 0.4907 nan 0.1425 -0.0001
660 0.4892 nan 0.1425 -0.0002
680 0.4874 nan 0.1425 -0.0002
700 0.4855 nan 0.1425 -0.0001
720 0.4832 nan 0.1425 0.0001
740 0.4819 nan 0.1425 -0.0002
760 0.4802 nan 0.1425 -0.0002
780 0.4786 nan 0.1425 -0.0001
800 0.4773 nan 0.1425 -0.0002
820 0.4758 nan 0.1425 -0.0001
831 0.4749 nan 0.1425 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0027 nan 0.1438 0.0504
2 0.9371 nan 0.1438 0.0325
3 0.8878 nan 0.1438 0.0248
4 0.8496 nan 0.1438 0.0193
5 0.8214 nan 0.1438 0.0142
6 0.7965 nan 0.1438 0.0125
7 0.7764 nan 0.1438 0.0096
8 0.7568 nan 0.1438 0.0097
9 0.7410 nan 0.1438 0.0075
10 0.7258 nan 0.1438 0.0074
20 0.6522 nan 0.1438 0.0021
40 0.6042 nan 0.1438 0.0004
60 0.5870 nan 0.1438 -0.0001
80 0.5772 nan 0.1438 -0.0002
100 0.5696 nan 0.1438 -0.0001
120 0.5629 nan 0.1438 -0.0000
140 0.5573 nan 0.1438 -0.0001
160 0.5529 nan 0.1438 -0.0001
180 0.5484 nan 0.1438 -0.0001
200 0.5452 nan 0.1438 -0.0001
220 0.5418 nan 0.1438 -0.0001
240 0.5382 nan 0.1438 0.0002
259 0.5349 nan 0.1438 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0054 nan 0.1455 0.0476
2 0.9411 nan 0.1455 0.0321
3 0.8938 nan 0.1455 0.0235
4 0.8578 nan 0.1455 0.0180
5 0.8293 nan 0.1455 0.0141
6 0.8057 nan 0.1455 0.0116
7 0.7848 nan 0.1455 0.0102
8 0.7680 nan 0.1455 0.0081
9 0.7533 nan 0.1455 0.0069
10 0.7400 nan 0.1455 0.0064
20 0.6619 nan 0.1455 0.0022
40 0.6125 nan 0.1455 0.0002
60 0.5924 nan 0.1455 0.0001
80 0.5804 nan 0.1455 0.0003
100 0.5715 nan 0.1455 -0.0001
108 0.5676 nan 0.1455 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0241 nan 0.1479 0.0378
2 0.9698 nan 0.1479 0.0273
3 0.9286 nan 0.1479 0.0200
4 0.8888 nan 0.1479 0.0194
5 0.8590 nan 0.1479 0.0146
6 0.8394 nan 0.1479 0.0100
7 0.8190 nan 0.1479 0.0101
8 0.8059 nan 0.1479 0.0065
9 0.7908 nan 0.1479 0.0077
10 0.7783 nan 0.1479 0.0062
20 0.6995 nan 0.1479 0.0017
40 0.6428 nan 0.1479 0.0007
60 0.6213 nan 0.1479 0.0003
80 0.6093 nan 0.1479 0.0001
100 0.6012 nan 0.1479 0.0001
120 0.5932 nan 0.1479 0.0002
140 0.5889 nan 0.1479 0.0000
160 0.5839 nan 0.1479 -0.0000
180 0.5812 nan 0.1479 -0.0000
200 0.5771 nan 0.1479 -0.0000
220 0.5746 nan 0.1479 -0.0000
240 0.5722 nan 0.1479 -0.0001
260 0.5687 nan 0.1479 -0.0001
280 0.5665 nan 0.1479 -0.0000
300 0.5642 nan 0.1479 0.0000
320 0.5620 nan 0.1479 -0.0000
340 0.5592 nan 0.1479 -0.0000
360 0.5575 nan 0.1479 -0.0000
380 0.5555 nan 0.1479 -0.0001
400 0.5539 nan 0.1479 0.0000
420 0.5514 nan 0.1479 -0.0000
440 0.5485 nan 0.1479 -0.0000
460 0.5470 nan 0.1479 -0.0001
480 0.5457 nan 0.1479 -0.0000
500 0.5445 nan 0.1479 -0.0001
520 0.5433 nan 0.1479 -0.0001
540 0.5422 nan 0.1479 -0.0001
560 0.5405 nan 0.1479 -0.0000
580 0.5390 nan 0.1479 -0.0001
600 0.5375 nan 0.1479 -0.0000
620 0.5364 nan 0.1479 -0.0001
640 0.5352 nan 0.1479 -0.0001
660 0.5335 nan 0.1479 -0.0000
680 0.5315 nan 0.1479 -0.0001
700 0.5306 nan 0.1479 -0.0001
720 0.5293 nan 0.1479 -0.0001
740 0.5287 nan 0.1479 -0.0001
760 0.5277 nan 0.1479 -0.0001
780 0.5264 nan 0.1479 -0.0001
800 0.5256 nan 0.1479 -0.0001
820 0.5246 nan 0.1479 -0.0001
840 0.5239 nan 0.1479 -0.0001
860 0.5227 nan 0.1479 -0.0001
880 0.5218 nan 0.1479 -0.0001
900 0.5213 nan 0.1479 -0.0001
920 0.5204 nan 0.1479 -0.0001
940 0.5194 nan 0.1479 -0.0001
960 0.5185 nan 0.1479 -0.0001
980 0.5176 nan 0.1479 -0.0001
986 0.5175 nan 0.1479 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9980 nan 0.1486 0.0511
2 0.9315 nan 0.1486 0.0339
3 0.8830 nan 0.1486 0.0245
4 0.8436 nan 0.1486 0.0189
5 0.8144 nan 0.1486 0.0138
6 0.7911 nan 0.1486 0.0115
7 0.7673 nan 0.1486 0.0117
8 0.7500 nan 0.1486 0.0080
9 0.7342 nan 0.1486 0.0076
10 0.7219 nan 0.1486 0.0059
20 0.6476 nan 0.1486 0.0015
40 0.6028 nan 0.1486 0.0003
60 0.5831 nan 0.1486 0.0002
80 0.5739 nan 0.1486 -0.0000
100 0.5646 nan 0.1486 -0.0001
120 0.5578 nan 0.1486 0.0003
140 0.5535 nan 0.1486 -0.0000
160 0.5485 nan 0.1486 -0.0001
180 0.5428 nan 0.1486 -0.0002
200 0.5388 nan 0.1486 0.0000
220 0.5349 nan 0.1486 -0.0001
240 0.5314 nan 0.1486 -0.0002
260 0.5282 nan 0.1486 -0.0001
280 0.5245 nan 0.1486 -0.0001
300 0.5217 nan 0.1486 -0.0002
320 0.5187 nan 0.1486 -0.0001
340 0.5163 nan 0.1486 -0.0002
360 0.5139 nan 0.1486 -0.0001
380 0.5117 nan 0.1486 -0.0002
400 0.5093 nan 0.1486 -0.0002
420 0.5069 nan 0.1486 -0.0001
440 0.5046 nan 0.1486 -0.0002
460 0.5027 nan 0.1486 -0.0001
480 0.5008 nan 0.1486 -0.0002
500 0.4989 nan 0.1486 -0.0002
520 0.4973 nan 0.1486 -0.0002
540 0.4954 nan 0.1486 -0.0003
560 0.4937 nan 0.1486 -0.0002
580 0.4919 nan 0.1486 -0.0003
600 0.4895 nan 0.1486 -0.0002
620 0.4877 nan 0.1486 -0.0002
640 0.4862 nan 0.1486 -0.0002
660 0.4846 nan 0.1486 -0.0001
680 0.4829 nan 0.1486 -0.0002
700 0.4812 nan 0.1486 -0.0002
720 0.4795 nan 0.1486 -0.0002
740 0.4776 nan 0.1486 -0.0002
760 0.4756 nan 0.1486 -0.0002
780 0.4739 nan 0.1486 -0.0001
800 0.4725 nan 0.1486 -0.0003
820 0.4709 nan 0.1486 -0.0001
840 0.4699 nan 0.1486 -0.0002
860 0.4683 nan 0.1486 -0.0001
880 0.4666 nan 0.1486 -0.0002
900 0.4650 nan 0.1486 -0.0002
920 0.4637 nan 0.1486 -0.0002
940 0.4624 nan 0.1486 -0.0001
957 0.4612 nan 0.1486 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9993 nan 0.1502 0.0501
2 0.9354 nan 0.1502 0.0318
3 0.8885 nan 0.1502 0.0238
4 0.8526 nan 0.1502 0.0176
5 0.8228 nan 0.1502 0.0151
6 0.8010 nan 0.1502 0.0107
7 0.7798 nan 0.1502 0.0104
8 0.7616 nan 0.1502 0.0087
9 0.7459 nan 0.1502 0.0072
10 0.7345 nan 0.1502 0.0051
20 0.6556 nan 0.1502 0.0022
40 0.6119 nan 0.1502 0.0001
60 0.5930 nan 0.1502 0.0000
80 0.5820 nan 0.1502 -0.0000
100 0.5742 nan 0.1502 -0.0001
120 0.5681 nan 0.1502 -0.0000
140 0.5633 nan 0.1502 -0.0001
160 0.5575 nan 0.1502 0.0003
180 0.5532 nan 0.1502 -0.0001
200 0.5495 nan 0.1502 -0.0001
220 0.5457 nan 0.1502 -0.0001
240 0.5422 nan 0.1502 -0.0001
260 0.5388 nan 0.1502 -0.0000
280 0.5363 nan 0.1502 -0.0001
300 0.5332 nan 0.1502 -0.0002
320 0.5312 nan 0.1502 -0.0001
340 0.5288 nan 0.1502 -0.0001
360 0.5268 nan 0.1502 -0.0002
380 0.5249 nan 0.1502 -0.0000
400 0.5227 nan 0.1502 -0.0001
420 0.5201 nan 0.1502 -0.0001
440 0.5176 nan 0.1502 -0.0001
460 0.5161 nan 0.1502 -0.0001
480 0.5141 nan 0.1502 -0.0001
500 0.5123 nan 0.1502 -0.0000
520 0.5106 nan 0.1502 -0.0002
540 0.5088 nan 0.1502 -0.0001
560 0.5074 nan 0.1502 -0.0002
580 0.5063 nan 0.1502 -0.0002
600 0.5045 nan 0.1502 -0.0001
620 0.5034 nan 0.1502 -0.0001
640 0.5019 nan 0.1502 -0.0001
660 0.5009 nan 0.1502 -0.0002
680 0.4995 nan 0.1502 -0.0001
689 0.4988 nan 0.1502 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0000 nan 0.1546 0.0510
2 0.9336 nan 0.1546 0.0329
3 0.8843 nan 0.1546 0.0247
4 0.8477 nan 0.1546 0.0177
5 0.8182 nan 0.1546 0.0145
6 0.7956 nan 0.1546 0.0110
7 0.7753 nan 0.1546 0.0092
8 0.7559 nan 0.1546 0.0096
9 0.7422 nan 0.1546 0.0064
10 0.7269 nan 0.1546 0.0075
20 0.6523 nan 0.1546 0.0022
40 0.6078 nan 0.1546 0.0008
60 0.5884 nan 0.1546 0.0002
80 0.5767 nan 0.1546 -0.0001
100 0.5685 nan 0.1546 -0.0001
120 0.5614 nan 0.1546 -0.0001
140 0.5560 nan 0.1546 0.0000
160 0.5509 nan 0.1546 0.0000
180 0.5468 nan 0.1546 -0.0001
200 0.5410 nan 0.1546 -0.0000
220 0.5374 nan 0.1546 0.0000
240 0.5335 nan 0.1546 -0.0000
260 0.5302 nan 0.1546 -0.0001
280 0.5270 nan 0.1546 -0.0002
300 0.5237 nan 0.1546 -0.0002
320 0.5204 nan 0.1546 -0.0000
340 0.5168 nan 0.1546 -0.0001
347 0.5162 nan 0.1546 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9985 nan 0.1561 0.0508
2 0.9316 nan 0.1561 0.0332
3 0.8829 nan 0.1561 0.0246
4 0.8472 nan 0.1561 0.0177
5 0.8178 nan 0.1561 0.0151
6 0.7914 nan 0.1561 0.0129
7 0.7721 nan 0.1561 0.0094
8 0.7538 nan 0.1561 0.0091
9 0.7397 nan 0.1561 0.0064
10 0.7281 nan 0.1561 0.0052
20 0.6522 nan 0.1561 0.0019
40 0.6075 nan 0.1561 0.0007
60 0.5876 nan 0.1561 0.0007
80 0.5764 nan 0.1561 0.0003
100 0.5676 nan 0.1561 0.0000
120 0.5613 nan 0.1561 0.0001
140 0.5545 nan 0.1561 0.0000
160 0.5501 nan 0.1561 -0.0001
180 0.5457 nan 0.1561 -0.0002
200 0.5420 nan 0.1561 -0.0001
220 0.5380 nan 0.1561 -0.0001
240 0.5348 nan 0.1561 -0.0001
260 0.5298 nan 0.1561 -0.0001
280 0.5267 nan 0.1561 -0.0001
300 0.5239 nan 0.1561 -0.0000
302 0.5236 nan 0.1561 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0080 nan 0.1572 0.0458
2 0.9426 nan 0.1572 0.0322
3 0.8982 nan 0.1572 0.0221
4 0.8587 nan 0.1572 0.0189
5 0.8314 nan 0.1572 0.0135
6 0.8049 nan 0.1572 0.0134
7 0.7844 nan 0.1572 0.0103
8 0.7673 nan 0.1572 0.0083
9 0.7533 nan 0.1572 0.0063
10 0.7408 nan 0.1572 0.0061
20 0.6658 nan 0.1572 0.0024
40 0.6213 nan 0.1572 0.0008
60 0.6053 nan 0.1572 0.0001
80 0.5957 nan 0.1572 0.0000
100 0.5892 nan 0.1572 0.0001
120 0.5844 nan 0.1572 0.0000
140 0.5788 nan 0.1572 -0.0000
160 0.5750 nan 0.1572 -0.0000
180 0.5715 nan 0.1572 -0.0000
200 0.5690 nan 0.1572 -0.0002
220 0.5666 nan 0.1572 -0.0000
240 0.5641 nan 0.1572 0.0001
260 0.5613 nan 0.1572 -0.0001
280 0.5587 nan 0.1572 -0.0002
300 0.5561 nan 0.1572 -0.0001
320 0.5545 nan 0.1572 -0.0002
340 0.5522 nan 0.1572 -0.0001
360 0.5502 nan 0.1572 -0.0001
380 0.5488 nan 0.1572 -0.0001
400 0.5471 nan 0.1572 -0.0001
404 0.5469 nan 0.1572 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0074 nan 0.1580 0.0460
2 0.9408 nan 0.1580 0.0331
3 0.8930 nan 0.1580 0.0237
4 0.8533 nan 0.1580 0.0193
5 0.8241 nan 0.1580 0.0145
6 0.7994 nan 0.1580 0.0121
7 0.7820 nan 0.1580 0.0084
8 0.7650 nan 0.1580 0.0081
9 0.7468 nan 0.1580 0.0088
10 0.7351 nan 0.1580 0.0057
20 0.6646 nan 0.1580 0.0026
40 0.6203 nan 0.1580 0.0006
60 0.6014 nan 0.1580 -0.0000
80 0.5911 nan 0.1580 0.0004
100 0.5827 nan 0.1580 -0.0002
120 0.5773 nan 0.1580 0.0000
140 0.5717 nan 0.1580 -0.0001
160 0.5681 nan 0.1580 -0.0001
180 0.5644 nan 0.1580 -0.0001
200 0.5614 nan 0.1580 -0.0000
220 0.5591 nan 0.1580 -0.0001
240 0.5569 nan 0.1580 -0.0001
260 0.5541 nan 0.1580 -0.0001
280 0.5514 nan 0.1580 -0.0001
300 0.5491 nan 0.1580 -0.0001
320 0.5470 nan 0.1580 -0.0001
340 0.5451 nan 0.1580 -0.0001
360 0.5433 nan 0.1580 -0.0001
380 0.5416 nan 0.1580 -0.0001
400 0.5395 nan 0.1580 -0.0001
420 0.5379 nan 0.1580 -0.0002
440 0.5367 nan 0.1580 -0.0002
460 0.5352 nan 0.1580 -0.0000
480 0.5337 nan 0.1580 -0.0002
500 0.5325 nan 0.1580 -0.0001
514 0.5311 nan 0.1580 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0076 nan 0.1589 0.0469
2 0.9410 nan 0.1589 0.0324
3 0.8945 nan 0.1589 0.0229
4 0.8575 nan 0.1589 0.0182
5 0.8299 nan 0.1589 0.0135
6 0.8051 nan 0.1589 0.0125
7 0.7845 nan 0.1589 0.0102
8 0.7679 nan 0.1589 0.0084
9 0.7525 nan 0.1589 0.0075
10 0.7408 nan 0.1589 0.0056
20 0.6677 nan 0.1589 0.0013
40 0.6209 nan 0.1589 0.0003
60 0.6037 nan 0.1589 0.0001
80 0.5929 nan 0.1589 0.0000
100 0.5835 nan 0.1589 0.0005
120 0.5772 nan 0.1589 -0.0001
140 0.5725 nan 0.1589 -0.0001
160 0.5669 nan 0.1589 -0.0001
180 0.5632 nan 0.1589 -0.0001
200 0.5601 nan 0.1589 -0.0001
220 0.5579 nan 0.1589 -0.0000
240 0.5551 nan 0.1589 -0.0001
260 0.5519 nan 0.1589 -0.0001
280 0.5495 nan 0.1589 -0.0001
300 0.5473 nan 0.1589 -0.0001
320 0.5449 nan 0.1589 -0.0001
340 0.5430 nan 0.1589 -0.0002
360 0.5414 nan 0.1589 -0.0001
380 0.5397 nan 0.1589 0.0000
400 0.5370 nan 0.1589 -0.0001
420 0.5349 nan 0.1589 -0.0000
440 0.5334 nan 0.1589 -0.0001
460 0.5320 nan 0.1589 -0.0002
480 0.5305 nan 0.1589 -0.0001
500 0.5290 nan 0.1589 -0.0001
520 0.5279 nan 0.1589 -0.0001
540 0.5265 nan 0.1589 -0.0002
557 0.5254 nan 0.1589 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0191 nan 0.1591 0.0406
2 0.9624 nan 0.1591 0.0284
3 0.9215 nan 0.1591 0.0207
4 0.8818 nan 0.1591 0.0201
5 0.8521 nan 0.1591 0.0151
6 0.8327 nan 0.1591 0.0098
7 0.8178 nan 0.1591 0.0076
8 0.8012 nan 0.1591 0.0083
9 0.7861 nan 0.1591 0.0073
10 0.7740 nan 0.1591 0.0054
20 0.6921 nan 0.1591 0.0034
40 0.6399 nan 0.1591 0.0005
60 0.6192 nan 0.1591 0.0001
80 0.6064 nan 0.1591 0.0003
100 0.5983 nan 0.1591 -0.0000
120 0.5930 nan 0.1591 0.0000
140 0.5870 nan 0.1591 -0.0002
160 0.5834 nan 0.1591 -0.0002
180 0.5793 nan 0.1591 0.0000
200 0.5760 nan 0.1591 -0.0000
220 0.5732 nan 0.1591 -0.0001
240 0.5704 nan 0.1591 -0.0000
260 0.5679 nan 0.1591 -0.0001
280 0.5655 nan 0.1591 -0.0003
300 0.5627 nan 0.1591 0.0002
320 0.5608 nan 0.1591 -0.0001
340 0.5587 nan 0.1591 -0.0001
360 0.5571 nan 0.1591 -0.0001
380 0.5552 nan 0.1591 -0.0001
400 0.5541 nan 0.1591 -0.0001
420 0.5518 nan 0.1591 0.0002
440 0.5504 nan 0.1591 -0.0001
460 0.5491 nan 0.1591 -0.0001
480 0.5481 nan 0.1591 -0.0000
500 0.5461 nan 0.1591 -0.0001
520 0.5446 nan 0.1591 -0.0001
540 0.5430 nan 0.1591 -0.0001
560 0.5418 nan 0.1591 -0.0002
580 0.5405 nan 0.1591 0.0001
600 0.5396 nan 0.1591 -0.0001
620 0.5387 nan 0.1591 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9956 nan 0.1593 0.0531
2 0.9279 nan 0.1593 0.0334
3 0.8798 nan 0.1593 0.0237
4 0.8432 nan 0.1593 0.0178
5 0.8131 nan 0.1593 0.0149
6 0.7870 nan 0.1593 0.0130
7 0.7679 nan 0.1593 0.0092
8 0.7507 nan 0.1593 0.0083
9 0.7377 nan 0.1593 0.0062
10 0.7235 nan 0.1593 0.0068
20 0.6513 nan 0.1593 0.0016
40 0.6092 nan 0.1593 0.0002
60 0.5939 nan 0.1593 0.0001
80 0.5834 nan 0.1593 0.0001
100 0.5757 nan 0.1593 -0.0002
120 0.5695 nan 0.1593 0.0000
140 0.5649 nan 0.1593 -0.0002
160 0.5600 nan 0.1593 -0.0000
180 0.5563 nan 0.1593 -0.0001
200 0.5528 nan 0.1593 -0.0002
220 0.5493 nan 0.1593 -0.0002
240 0.5459 nan 0.1593 -0.0001
260 0.5433 nan 0.1593 -0.0002
280 0.5410 nan 0.1593 -0.0002
300 0.5389 nan 0.1593 -0.0001
320 0.5368 nan 0.1593 -0.0001
340 0.5349 nan 0.1593 -0.0002
360 0.5336 nan 0.1593 -0.0002
380 0.5317 nan 0.1593 -0.0002
400 0.5297 nan 0.1593 -0.0000
420 0.5279 nan 0.1593 -0.0001
440 0.5258 nan 0.1593 0.0001
460 0.5241 nan 0.1593 -0.0001
480 0.5228 nan 0.1593 -0.0002
500 0.5218 nan 0.1593 -0.0001
520 0.5200 nan 0.1593 -0.0002
540 0.5184 nan 0.1593 -0.0001
560 0.5170 nan 0.1593 -0.0002
580 0.5155 nan 0.1593 -0.0002
600 0.5137 nan 0.1593 -0.0002
620 0.5126 nan 0.1593 -0.0002
639 0.5114 nan 0.1593 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9913 nan 0.1625 0.0543
2 0.9200 nan 0.1625 0.0359
3 0.8692 nan 0.1625 0.0250
4 0.8311 nan 0.1625 0.0185
5 0.8008 nan 0.1625 0.0145
6 0.7772 nan 0.1625 0.0120
7 0.7568 nan 0.1625 0.0100
8 0.7383 nan 0.1625 0.0088
9 0.7227 nan 0.1625 0.0075
10 0.7091 nan 0.1625 0.0068
20 0.6413 nan 0.1625 0.0015
40 0.6002 nan 0.1625 0.0003
60 0.5831 nan 0.1625 -0.0000
80 0.5737 nan 0.1625 -0.0002
100 0.5654 nan 0.1625 0.0000
120 0.5597 nan 0.1625 -0.0002
140 0.5551 nan 0.1625 -0.0002
160 0.5494 nan 0.1625 -0.0000
180 0.5452 nan 0.1625 -0.0001
185 0.5445 nan 0.1625 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9906 nan 0.1685 0.0537
2 0.9210 nan 0.1685 0.0341
3 0.8711 nan 0.1685 0.0249
4 0.8351 nan 0.1685 0.0175
5 0.8037 nan 0.1685 0.0153
6 0.7777 nan 0.1685 0.0120
7 0.7578 nan 0.1685 0.0095
8 0.7423 nan 0.1685 0.0071
9 0.7287 nan 0.1685 0.0069
10 0.7142 nan 0.1685 0.0068
20 0.6463 nan 0.1685 0.0026
40 0.6040 nan 0.1685 0.0006
60 0.5860 nan 0.1685 0.0001
80 0.5743 nan 0.1685 -0.0001
100 0.5649 nan 0.1685 0.0000
120 0.5575 nan 0.1685 0.0001
140 0.5518 nan 0.1685 -0.0002
160 0.5464 nan 0.1685 -0.0001
180 0.5415 nan 0.1685 -0.0001
200 0.5363 nan 0.1685 -0.0000
220 0.5322 nan 0.1685 -0.0002
240 0.5278 nan 0.1685 -0.0002
260 0.5240 nan 0.1685 -0.0001
280 0.5197 nan 0.1685 -0.0001
300 0.5171 nan 0.1685 -0.0000
320 0.5144 nan 0.1685 -0.0002
340 0.5107 nan 0.1685 0.0000
360 0.5081 nan 0.1685 -0.0001
380 0.5051 nan 0.1685 -0.0001
400 0.5020 nan 0.1685 -0.0001
420 0.4992 nan 0.1685 -0.0001
440 0.4960 nan 0.1685 -0.0000
460 0.4930 nan 0.1685 -0.0001
480 0.4905 nan 0.1685 -0.0001
500 0.4880 nan 0.1685 -0.0001
520 0.4855 nan 0.1685 -0.0001
540 0.4833 nan 0.1685 -0.0001
560 0.4811 nan 0.1685 -0.0001
580 0.4788 nan 0.1685 -0.0002
600 0.4763 nan 0.1685 -0.0001
620 0.4740 nan 0.1685 -0.0001
640 0.4718 nan 0.1685 -0.0001
660 0.4694 nan 0.1685 -0.0002
680 0.4673 nan 0.1685 -0.0001
700 0.4647 nan 0.1685 -0.0002
720 0.4621 nan 0.1685 -0.0001
740 0.4599 nan 0.1685 -0.0001
750 0.4591 nan 0.1685 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0151 nan 0.1687 0.0423
2 0.9576 nan 0.1687 0.0284
3 0.9146 nan 0.1687 0.0210
4 0.8737 nan 0.1687 0.0202
5 0.8450 nan 0.1687 0.0140
6 0.8212 nan 0.1687 0.0118
7 0.8034 nan 0.1687 0.0088
8 0.7914 nan 0.1687 0.0057
9 0.7773 nan 0.1687 0.0067
10 0.7627 nan 0.1687 0.0072
20 0.6842 nan 0.1687 0.0024
40 0.6365 nan 0.1687 0.0005
60 0.6185 nan 0.1687 0.0003
80 0.6068 nan 0.1687 -0.0000
100 0.5990 nan 0.1687 -0.0001
120 0.5937 nan 0.1687 0.0000
140 0.5891 nan 0.1687 -0.0000
160 0.5853 nan 0.1687 -0.0001
180 0.5827 nan 0.1687 0.0000
200 0.5794 nan 0.1687 -0.0002
220 0.5761 nan 0.1687 0.0001
240 0.5730 nan 0.1687 0.0000
257 0.5714 nan 0.1687 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0149 nan 0.1688 0.0428
2 0.9569 nan 0.1688 0.0284
3 0.9127 nan 0.1688 0.0213
4 0.8728 nan 0.1688 0.0202
5 0.8433 nan 0.1688 0.0151
6 0.8218 nan 0.1688 0.0114
7 0.8059 nan 0.1688 0.0079
8 0.7921 nan 0.1688 0.0063
9 0.7775 nan 0.1688 0.0074
10 0.7637 nan 0.1688 0.0072
20 0.6830 nan 0.1688 0.0030
40 0.6330 nan 0.1688 0.0003
60 0.6137 nan 0.1688 0.0004
80 0.6018 nan 0.1688 0.0000
100 0.5936 nan 0.1688 -0.0000
120 0.5888 nan 0.1688 0.0000
140 0.5831 nan 0.1688 0.0002
160 0.5788 nan 0.1688 -0.0001
180 0.5747 nan 0.1688 0.0001
200 0.5721 nan 0.1688 -0.0000
220 0.5677 nan 0.1688 -0.0001
240 0.5649 nan 0.1688 -0.0001
260 0.5625 nan 0.1688 -0.0001
280 0.5597 nan 0.1688 -0.0000
300 0.5575 nan 0.1688 -0.0001
320 0.5558 nan 0.1688 -0.0002
340 0.5544 nan 0.1688 -0.0001
360 0.5528 nan 0.1688 -0.0001
380 0.5512 nan 0.1688 -0.0001
400 0.5499 nan 0.1688 -0.0001
420 0.5482 nan 0.1688 -0.0001
440 0.5472 nan 0.1688 -0.0001
460 0.5457 nan 0.1688 -0.0001
480 0.5443 nan 0.1688 -0.0001
500 0.5429 nan 0.1688 -0.0001
520 0.5414 nan 0.1688 -0.0001
540 0.5401 nan 0.1688 -0.0001
560 0.5386 nan 0.1688 -0.0000
572 0.5381 nan 0.1688 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9853 nan 0.1722 0.0578
2 0.9116 nan 0.1722 0.0368
3 0.8604 nan 0.1722 0.0248
4 0.8219 nan 0.1722 0.0184
5 0.7925 nan 0.1722 0.0145
6 0.7665 nan 0.1722 0.0132
7 0.7449 nan 0.1722 0.0103
8 0.7270 nan 0.1722 0.0088
9 0.7135 nan 0.1722 0.0061
10 0.7029 nan 0.1722 0.0049
20 0.6367 nan 0.1722 0.0024
40 0.5919 nan 0.1722 0.0003
60 0.5740 nan 0.1722 0.0008
80 0.5644 nan 0.1722 -0.0001
100 0.5554 nan 0.1722 -0.0000
120 0.5498 nan 0.1722 -0.0002
140 0.5421 nan 0.1722 -0.0001
160 0.5370 nan 0.1722 -0.0001
180 0.5320 nan 0.1722 -0.0001
200 0.5277 nan 0.1722 -0.0002
220 0.5233 nan 0.1722 -0.0002
240 0.5197 nan 0.1722 -0.0002
260 0.5163 nan 0.1722 -0.0001
280 0.5131 nan 0.1722 -0.0002
300 0.5098 nan 0.1722 -0.0003
320 0.5069 nan 0.1722 -0.0002
340 0.5039 nan 0.1722 -0.0001
360 0.5009 nan 0.1722 -0.0003
380 0.4979 nan 0.1722 -0.0001
400 0.4941 nan 0.1722 -0.0002
420 0.4910 nan 0.1722 -0.0002
440 0.4883 nan 0.1722 -0.0002
460 0.4860 nan 0.1722 -0.0001
480 0.4839 nan 0.1722 -0.0001
500 0.4816 nan 0.1722 -0.0002
520 0.4790 nan 0.1722 -0.0002
540 0.4769 nan 0.1722 -0.0003
560 0.4742 nan 0.1722 -0.0002
580 0.4716 nan 0.1722 -0.0002
600 0.4688 nan 0.1722 -0.0001
620 0.4664 nan 0.1722 -0.0002
640 0.4645 nan 0.1722 -0.0001
660 0.4628 nan 0.1722 -0.0002
665 0.4622 nan 0.1722 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9844 nan 0.1728 0.0572
2 0.9125 nan 0.1728 0.0354
3 0.8607 nan 0.1728 0.0256
4 0.8228 nan 0.1728 0.0185
5 0.7951 nan 0.1728 0.0136
6 0.7692 nan 0.1728 0.0129
7 0.7478 nan 0.1728 0.0103
8 0.7307 nan 0.1728 0.0083
9 0.7163 nan 0.1728 0.0067
10 0.7039 nan 0.1728 0.0058
20 0.6391 nan 0.1728 0.0012
40 0.5997 nan 0.1728 0.0002
60 0.5866 nan 0.1728 0.0002
80 0.5765 nan 0.1728 -0.0002
100 0.5691 nan 0.1728 -0.0001
120 0.5644 nan 0.1728 -0.0001
140 0.5579 nan 0.1728 -0.0000
160 0.5528 nan 0.1728 -0.0002
180 0.5492 nan 0.1728 -0.0002
200 0.5458 nan 0.1728 -0.0002
220 0.5415 nan 0.1728 -0.0001
240 0.5383 nan 0.1728 -0.0002
260 0.5353 nan 0.1728 -0.0002
280 0.5320 nan 0.1728 -0.0001
300 0.5295 nan 0.1728 -0.0004
320 0.5264 nan 0.1728 -0.0001
340 0.5245 nan 0.1728 -0.0002
360 0.5217 nan 0.1728 -0.0001
380 0.5192 nan 0.1728 -0.0003
400 0.5176 nan 0.1728 -0.0003
420 0.5153 nan 0.1728 -0.0002
434 0.5139 nan 0.1728 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9883 nan 0.1746 0.0566
2 0.9186 nan 0.1746 0.0351
3 0.8670 nan 0.1746 0.0248
4 0.8285 nan 0.1746 0.0188
5 0.7995 nan 0.1746 0.0137
6 0.7709 nan 0.1746 0.0142
7 0.7523 nan 0.1746 0.0093
8 0.7344 nan 0.1746 0.0090
9 0.7185 nan 0.1746 0.0077
10 0.7054 nan 0.1746 0.0061
20 0.6410 nan 0.1746 0.0021
40 0.6019 nan 0.1746 0.0004
60 0.5849 nan 0.1746 -0.0000
80 0.5739 nan 0.1746 -0.0002
100 0.5662 nan 0.1746 0.0000
120 0.5587 nan 0.1746 0.0000
140 0.5503 nan 0.1746 -0.0001
160 0.5452 nan 0.1746 0.0001
180 0.5411 nan 0.1746 -0.0001
200 0.5363 nan 0.1746 -0.0001
220 0.5294 nan 0.1746 -0.0001
240 0.5248 nan 0.1746 -0.0002
260 0.5205 nan 0.1746 -0.0002
280 0.5168 nan 0.1746 -0.0000
300 0.5135 nan 0.1746 -0.0002
320 0.5095 nan 0.1746 -0.0001
340 0.5062 nan 0.1746 -0.0001
360 0.5035 nan 0.1746 -0.0001
380 0.5015 nan 0.1746 -0.0001
400 0.4989 nan 0.1746 -0.0002
420 0.4952 nan 0.1746 -0.0001
440 0.4924 nan 0.1746 -0.0003
460 0.4899 nan 0.1746 -0.0001
480 0.4874 nan 0.1746 -0.0002
500 0.4850 nan 0.1746 -0.0001
520 0.4823 nan 0.1746 -0.0001
540 0.4800 nan 0.1746 -0.0002
560 0.4776 nan 0.1746 -0.0003
580 0.4753 nan 0.1746 -0.0000
600 0.4732 nan 0.1746 -0.0001
620 0.4713 nan 0.1746 -0.0001
640 0.4691 nan 0.1746 -0.0001
660 0.4670 nan 0.1746 -0.0001
680 0.4655 nan 0.1746 -0.0001
700 0.4630 nan 0.1746 -0.0001
720 0.4606 nan 0.1746 -0.0001
740 0.4587 nan 0.1746 -0.0001
760 0.4566 nan 0.1746 -0.0001
780 0.4549 nan 0.1746 -0.0002
800 0.4531 nan 0.1746 -0.0001
820 0.4510 nan 0.1746 -0.0000
840 0.4488 nan 0.1746 -0.0001
860 0.4472 nan 0.1746 -0.0001
870 0.4464 nan 0.1746 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9952 nan 0.1804 0.0527
2 0.9232 nan 0.1804 0.0354
3 0.8759 nan 0.1804 0.0228
4 0.8351 nan 0.1804 0.0201
5 0.8044 nan 0.1804 0.0153
6 0.7807 nan 0.1804 0.0114
7 0.7656 nan 0.1804 0.0071
8 0.7492 nan 0.1804 0.0080
9 0.7367 nan 0.1804 0.0058
10 0.7248 nan 0.1804 0.0052
20 0.6568 nan 0.1804 0.0015
40 0.6158 nan 0.1804 0.0004
60 0.5988 nan 0.1804 0.0004
80 0.5884 nan 0.1804 -0.0000
100 0.5808 nan 0.1804 -0.0000
120 0.5750 nan 0.1804 -0.0000
140 0.5704 nan 0.1804 0.0000
160 0.5673 nan 0.1804 -0.0000
180 0.5636 nan 0.1804 -0.0003
200 0.5601 nan 0.1804 0.0000
220 0.5578 nan 0.1804 -0.0002
240 0.5547 nan 0.1804 -0.0001
260 0.5517 nan 0.1804 -0.0002
280 0.5479 nan 0.1804 0.0001
300 0.5458 nan 0.1804 -0.0002
320 0.5440 nan 0.1804 -0.0001
340 0.5414 nan 0.1804 -0.0001
360 0.5396 nan 0.1804 -0.0001
380 0.5380 nan 0.1804 -0.0002
400 0.5367 nan 0.1804 -0.0001
420 0.5349 nan 0.1804 -0.0001
440 0.5333 nan 0.1804 -0.0001
460 0.5317 nan 0.1804 -0.0001
480 0.5299 nan 0.1804 -0.0002
500 0.5287 nan 0.1804 -0.0001
520 0.5276 nan 0.1804 -0.0001
540 0.5260 nan 0.1804 -0.0001
560 0.5244 nan 0.1804 -0.0002
580 0.5231 nan 0.1804 -0.0001
600 0.5223 nan 0.1804 -0.0001
620 0.5211 nan 0.1804 -0.0001
640 0.5204 nan 0.1804 -0.0002
660 0.5190 nan 0.1804 -0.0001
667 0.5186 nan 0.1804 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9931 nan 0.1837 0.0532
2 0.9224 nan 0.1837 0.0353
3 0.8751 nan 0.1837 0.0235
4 0.8375 nan 0.1837 0.0185
5 0.8062 nan 0.1837 0.0156
6 0.7826 nan 0.1837 0.0118
7 0.7632 nan 0.1837 0.0094
8 0.7491 nan 0.1837 0.0067
9 0.7354 nan 0.1837 0.0068
10 0.7229 nan 0.1837 0.0057
20 0.6553 nan 0.1837 0.0019
40 0.6144 nan 0.1837 0.0007
60 0.5964 nan 0.1837 0.0000
80 0.5858 nan 0.1837 -0.0001
100 0.5764 nan 0.1837 -0.0000
120 0.5716 nan 0.1837 -0.0002
140 0.5653 nan 0.1837 -0.0002
160 0.5612 nan 0.1837 -0.0002
180 0.5570 nan 0.1837 -0.0001
200 0.5540 nan 0.1837 0.0000
220 0.5505 nan 0.1837 -0.0000
240 0.5483 nan 0.1837 -0.0001
260 0.5451 nan 0.1837 -0.0002
280 0.5428 nan 0.1837 -0.0002
300 0.5404 nan 0.1837 -0.0002
320 0.5379 nan 0.1837 -0.0001
340 0.5353 nan 0.1837 -0.0002
360 0.5327 nan 0.1837 0.0000
380 0.5308 nan 0.1837 -0.0001
400 0.5292 nan 0.1837 -0.0001
420 0.5276 nan 0.1837 -0.0002
440 0.5260 nan 0.1837 -0.0001
460 0.5242 nan 0.1837 -0.0002
480 0.5224 nan 0.1837 -0.0001
500 0.5202 nan 0.1837 -0.0002
507 0.5198 nan 0.1837 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0088 nan 0.1839 0.0463
2 0.9467 nan 0.1839 0.0303
3 0.9025 nan 0.1839 0.0212
4 0.8610 nan 0.1839 0.0209
5 0.8318 nan 0.1839 0.0144
6 0.8118 nan 0.1839 0.0103
7 0.7919 nan 0.1839 0.0100
8 0.7797 nan 0.1839 0.0057
9 0.7634 nan 0.1839 0.0079
10 0.7518 nan 0.1839 0.0054
20 0.6779 nan 0.1839 0.0020
40 0.6303 nan 0.1839 0.0003
60 0.6130 nan 0.1839 0.0002
80 0.6029 nan 0.1839 0.0000
100 0.5959 nan 0.1839 0.0004
120 0.5912 nan 0.1839 -0.0000
140 0.5875 nan 0.1839 -0.0001
160 0.5841 nan 0.1839 0.0000
180 0.5806 nan 0.1839 0.0002
200 0.5778 nan 0.1839 -0.0001
220 0.5754 nan 0.1839 -0.0002
240 0.5738 nan 0.1839 -0.0000
260 0.5711 nan 0.1839 0.0000
280 0.5693 nan 0.1839 -0.0001
300 0.5674 nan 0.1839 -0.0001
320 0.5659 nan 0.1839 -0.0000
340 0.5645 nan 0.1839 -0.0001
360 0.5630 nan 0.1839 -0.0002
380 0.5614 nan 0.1839 0.0000
400 0.5604 nan 0.1839 -0.0001
420 0.5590 nan 0.1839 -0.0002
440 0.5580 nan 0.1839 -0.0002
460 0.5569 nan 0.1839 -0.0001
480 0.5553 nan 0.1839 -0.0001
500 0.5540 nan 0.1839 -0.0001
520 0.5527 nan 0.1839 -0.0001
540 0.5514 nan 0.1839 -0.0000
560 0.5506 nan 0.1839 -0.0001
580 0.5495 nan 0.1839 -0.0002
600 0.5484 nan 0.1839 -0.0002
620 0.5478 nan 0.1839 -0.0001
640 0.5471 nan 0.1839 -0.0001
660 0.5464 nan 0.1839 -0.0003
680 0.5457 nan 0.1839 -0.0001
700 0.5447 nan 0.1839 -0.0001
706 0.5445 nan 0.1839 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0033 nan 0.1931 0.0486
2 0.9413 nan 0.1931 0.0313
3 0.8903 nan 0.1931 0.0257
4 0.8546 nan 0.1931 0.0178
5 0.8288 nan 0.1931 0.0124
6 0.8094 nan 0.1931 0.0097
7 0.7916 nan 0.1931 0.0083
8 0.7728 nan 0.1931 0.0093
9 0.7576 nan 0.1931 0.0074
10 0.7463 nan 0.1931 0.0058
20 0.6725 nan 0.1931 0.0014
40 0.6280 nan 0.1931 0.0003
60 0.6106 nan 0.1931 0.0004
80 0.6009 nan 0.1931 0.0005
100 0.5935 nan 0.1931 -0.0000
120 0.5880 nan 0.1931 -0.0002
140 0.5833 nan 0.1931 -0.0001
160 0.5791 nan 0.1931 -0.0001
180 0.5762 nan 0.1931 0.0000
200 0.5732 nan 0.1931 -0.0000
220 0.5710 nan 0.1931 -0.0002
240 0.5689 nan 0.1931 0.0000
260 0.5664 nan 0.1931 -0.0000
280 0.5641 nan 0.1931 -0.0001
300 0.5621 nan 0.1931 -0.0000
320 0.5597 nan 0.1931 0.0001
340 0.5576 nan 0.1931 -0.0001
360 0.5561 nan 0.1931 -0.0001
380 0.5549 nan 0.1931 -0.0001
400 0.5536 nan 0.1931 -0.0001
420 0.5525 nan 0.1931 -0.0002
440 0.5513 nan 0.1931 -0.0002
460 0.5500 nan 0.1931 -0.0001
480 0.5491 nan 0.1931 -0.0000
500 0.5485 nan 0.1931 -0.0001
520 0.5475 nan 0.1931 -0.0002
540 0.5467 nan 0.1931 -0.0000
560 0.5454 nan 0.1931 -0.0000
580 0.5447 nan 0.1931 -0.0002
600 0.5437 nan 0.1931 -0.0001
620 0.5427 nan 0.1931 -0.0001
637 0.5423 nan 0.1931 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9889 nan 0.1938 0.0558
2 0.9143 nan 0.1938 0.0368
3 0.8606 nan 0.1938 0.0262
4 0.8267 nan 0.1938 0.0166
5 0.7937 nan 0.1938 0.0159
6 0.7688 nan 0.1938 0.0120
7 0.7543 nan 0.1938 0.0072
8 0.7387 nan 0.1938 0.0077
9 0.7268 nan 0.1938 0.0057
10 0.7129 nan 0.1938 0.0067
20 0.6497 nan 0.1938 0.0020
40 0.6084 nan 0.1938 0.0002
60 0.5916 nan 0.1938 0.0001
80 0.5810 nan 0.1938 0.0000
100 0.5723 nan 0.1938 -0.0002
120 0.5647 nan 0.1938 -0.0000
140 0.5596 nan 0.1938 -0.0001
160 0.5540 nan 0.1938 -0.0002
180 0.5505 nan 0.1938 -0.0003
200 0.5474 nan 0.1938 -0.0001
220 0.5441 nan 0.1938 -0.0001
240 0.5406 nan 0.1938 -0.0001
260 0.5385 nan 0.1938 -0.0002
280 0.5358 nan 0.1938 -0.0002
300 0.5337 nan 0.1938 -0.0002
320 0.5314 nan 0.1938 -0.0001
340 0.5295 nan 0.1938 -0.0001
360 0.5274 nan 0.1938 -0.0001
380 0.5253 nan 0.1938 -0.0001
400 0.5231 nan 0.1938 -0.0001
420 0.5207 nan 0.1938 -0.0001
440 0.5183 nan 0.1938 -0.0002
460 0.5165 nan 0.1938 -0.0002
480 0.5149 nan 0.1938 -0.0001
500 0.5133 nan 0.1938 -0.0001
520 0.5115 nan 0.1938 -0.0001
523 0.5113 nan 0.1938 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0276 nan 0.1946 0.0350
2 0.9858 nan 0.1946 0.0195
3 0.9427 nan 0.1946 0.0212
4 0.9126 nan 0.1946 0.0150
5 0.8839 nan 0.1946 0.0137
6 0.8659 nan 0.1946 0.0089
7 0.8471 nan 0.1946 0.0090
8 0.8301 nan 0.1946 0.0084
9 0.8188 nan 0.1946 0.0057
10 0.8063 nan 0.1946 0.0059
20 0.7307 nan 0.1946 0.0023
40 0.6651 nan 0.1946 0.0006
60 0.6409 nan 0.1946 0.0002
80 0.6268 nan 0.1946 0.0001
100 0.6180 nan 0.1946 0.0001
120 0.6125 nan 0.1946 0.0001
140 0.6069 nan 0.1946 0.0001
160 0.6030 nan 0.1946 -0.0001
180 0.5999 nan 0.1946 -0.0000
200 0.5977 nan 0.1946 -0.0001
220 0.5956 nan 0.1946 -0.0001
240 0.5938 nan 0.1946 -0.0001
260 0.5923 nan 0.1946 -0.0000
280 0.5911 nan 0.1946 -0.0001
300 0.5900 nan 0.1946 -0.0001
320 0.5884 nan 0.1946 -0.0001
340 0.5874 nan 0.1946 -0.0000
360 0.5865 nan 0.1946 -0.0000
380 0.5859 nan 0.1946 -0.0001
400 0.5848 nan 0.1946 -0.0000
420 0.5842 nan 0.1946 -0.0001
440 0.5835 nan 0.1946 -0.0001
460 0.5828 nan 0.1946 -0.0000
480 0.5821 nan 0.1946 -0.0001
500 0.5816 nan 0.1946 -0.0001
520 0.5811 nan 0.1946 0.0000
540 0.5809 nan 0.1946 -0.0002
560 0.5805 nan 0.1946 -0.0001
580 0.5800 nan 0.1946 -0.0001
600 0.5795 nan 0.1946 -0.0001
603 0.5794 nan 0.1946 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0025 nan 0.1956 0.0488
2 0.9399 nan 0.1956 0.0315
3 0.8883 nan 0.1956 0.0253
4 0.8582 nan 0.1956 0.0151
5 0.8305 nan 0.1956 0.0142
6 0.8085 nan 0.1956 0.0106
7 0.7891 nan 0.1956 0.0094
8 0.7700 nan 0.1956 0.0095
9 0.7555 nan 0.1956 0.0069
10 0.7458 nan 0.1956 0.0045
20 0.6696 nan 0.1956 0.0019
40 0.6264 nan 0.1956 0.0001
60 0.6084 nan 0.1956 0.0005
80 0.5987 nan 0.1956 0.0001
100 0.5907 nan 0.1956 0.0000
120 0.5850 nan 0.1956 0.0002
140 0.5803 nan 0.1956 -0.0000
160 0.5766 nan 0.1956 -0.0001
180 0.5720 nan 0.1956 -0.0001
200 0.5687 nan 0.1956 0.0001
220 0.5651 nan 0.1956 -0.0001
240 0.5618 nan 0.1956 -0.0001
260 0.5603 nan 0.1956 -0.0001
280 0.5570 nan 0.1956 -0.0002
300 0.5551 nan 0.1956 0.0000
310 0.5546 nan 0.1956 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0027 nan 0.1958 0.0484
2 0.9399 nan 0.1958 0.0310
3 0.8873 nan 0.1958 0.0260
4 0.8603 nan 0.1958 0.0129
5 0.8285 nan 0.1958 0.0159
6 0.8090 nan 0.1958 0.0096
7 0.7906 nan 0.1958 0.0086
8 0.7711 nan 0.1958 0.0095
9 0.7557 nan 0.1958 0.0074
10 0.7441 nan 0.1958 0.0056
20 0.6730 nan 0.1958 0.0014
40 0.6292 nan 0.1958 0.0002
60 0.6111 nan 0.1958 0.0005
80 0.6014 nan 0.1958 -0.0000
100 0.5944 nan 0.1958 -0.0001
120 0.5889 nan 0.1958 0.0000
140 0.5855 nan 0.1958 -0.0001
160 0.5818 nan 0.1958 0.0003
180 0.5790 nan 0.1958 -0.0001
200 0.5764 nan 0.1958 -0.0000
220 0.5737 nan 0.1958 -0.0001
240 0.5709 nan 0.1958 -0.0001
260 0.5684 nan 0.1958 -0.0001
280 0.5665 nan 0.1958 -0.0002
300 0.5634 nan 0.1958 0.0001
320 0.5617 nan 0.1958 0.0000
340 0.5601 nan 0.1958 -0.0000
360 0.5584 nan 0.1958 -0.0001
380 0.5572 nan 0.1958 -0.0002
400 0.5561 nan 0.1958 -0.0001
420 0.5545 nan 0.1958 -0.0001
440 0.5536 nan 0.1958 -0.0001
460 0.5527 nan 0.1958 -0.0001
467 0.5523 nan 0.1958 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9999 nan 0.1968 0.0488
2 0.9258 nan 0.1968 0.0377
3 0.8815 nan 0.1968 0.0218
4 0.8441 nan 0.1968 0.0181
5 0.8184 nan 0.1968 0.0126
6 0.7983 nan 0.1968 0.0098
7 0.7803 nan 0.1968 0.0090
8 0.7666 nan 0.1968 0.0063
9 0.7551 nan 0.1968 0.0056
10 0.7409 nan 0.1968 0.0070
20 0.6718 nan 0.1968 0.0023
40 0.6265 nan 0.1968 0.0002
60 0.6099 nan 0.1968 0.0002
80 0.5985 nan 0.1968 0.0001
100 0.5907 nan 0.1968 0.0002
120 0.5849 nan 0.1968 -0.0001
140 0.5809 nan 0.1968 -0.0001
160 0.5774 nan 0.1968 -0.0001
180 0.5751 nan 0.1968 -0.0001
200 0.5715 nan 0.1968 -0.0001
220 0.5684 nan 0.1968 0.0000
240 0.5655 nan 0.1968 -0.0001
260 0.5630 nan 0.1968 -0.0001
277 0.5610 nan 0.1968 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0029 nan 0.1973 0.0490
2 0.9400 nan 0.1973 0.0317
3 0.8876 nan 0.1973 0.0257
4 0.8545 nan 0.1973 0.0165
5 0.8282 nan 0.1973 0.0132
6 0.8062 nan 0.1973 0.0109
7 0.7858 nan 0.1973 0.0106
8 0.7699 nan 0.1973 0.0079
9 0.7573 nan 0.1973 0.0062
10 0.7447 nan 0.1973 0.0064
20 0.6695 nan 0.1973 0.0030
40 0.6276 nan 0.1973 0.0005
60 0.6110 nan 0.1973 0.0001
80 0.6007 nan 0.1973 0.0002
100 0.5930 nan 0.1973 -0.0000
120 0.5874 nan 0.1973 -0.0000
140 0.5834 nan 0.1973 0.0001
160 0.5795 nan 0.1973 0.0001
180 0.5768 nan 0.1973 -0.0000
200 0.5741 nan 0.1973 -0.0000
220 0.5714 nan 0.1973 -0.0001
240 0.5688 nan 0.1973 -0.0001
260 0.5676 nan 0.1973 -0.0001
280 0.5664 nan 0.1973 -0.0002
300 0.5647 nan 0.1973 -0.0001
320 0.5618 nan 0.1973 -0.0001
340 0.5603 nan 0.1973 -0.0002
360 0.5590 nan 0.1973 -0.0001
380 0.5578 nan 0.1973 -0.0002
400 0.5561 nan 0.1973 0.0000
420 0.5548 nan 0.1973 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9854 nan 0.1983 0.0555
2 0.9111 nan 0.1983 0.0370
3 0.8632 nan 0.1983 0.0239
4 0.8228 nan 0.1983 0.0206
5 0.7983 nan 0.1983 0.0123
6 0.7754 nan 0.1983 0.0114
7 0.7578 nan 0.1983 0.0081
8 0.7435 nan 0.1983 0.0071
9 0.7292 nan 0.1983 0.0069
10 0.7147 nan 0.1983 0.0069
20 0.6489 nan 0.1983 0.0021
40 0.6125 nan 0.1983 0.0002
60 0.5980 nan 0.1983 0.0001
80 0.5885 nan 0.1983 -0.0001
100 0.5810 nan 0.1983 -0.0001
120 0.5741 nan 0.1983 0.0000
140 0.5688 nan 0.1983 -0.0001
160 0.5650 nan 0.1983 -0.0000
180 0.5615 nan 0.1983 -0.0001
200 0.5582 nan 0.1983 -0.0002
220 0.5558 nan 0.1983 -0.0002
240 0.5528 nan 0.1983 -0.0001
260 0.5501 nan 0.1983 -0.0002
280 0.5471 nan 0.1983 -0.0001
300 0.5453 nan 0.1983 -0.0001
320 0.5435 nan 0.1983 -0.0002
340 0.5420 nan 0.1983 -0.0002
360 0.5392 nan 0.1983 -0.0001
380 0.5376 nan 0.1983 -0.0001
400 0.5359 nan 0.1983 -0.0002
420 0.5336 nan 0.1983 -0.0002
440 0.5324 nan 0.1983 -0.0002
460 0.5302 nan 0.1983 -0.0001
480 0.5288 nan 0.1983 -0.0001
500 0.5276 nan 0.1983 -0.0001
520 0.5264 nan 0.1983 -0.0002
540 0.5251 nan 0.1983 -0.0001
560 0.5237 nan 0.1983 -0.0002
580 0.5228 nan 0.1983 -0.0002
594 0.5224 nan 0.1983 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9854 nan 0.1999 0.0572
2 0.9102 nan 0.1999 0.0383
3 0.8620 nan 0.1999 0.0239
4 0.8286 nan 0.1999 0.0166
5 0.7982 nan 0.1999 0.0154
6 0.7783 nan 0.1999 0.0098
7 0.7584 nan 0.1999 0.0096
8 0.7396 nan 0.1999 0.0090
9 0.7243 nan 0.1999 0.0069
10 0.7124 nan 0.1999 0.0058
20 0.6494 nan 0.1999 0.0016
40 0.6086 nan 0.1999 0.0000
60 0.5917 nan 0.1999 0.0001
80 0.5812 nan 0.1999 -0.0000
100 0.5744 nan 0.1999 -0.0001
120 0.5674 nan 0.1999 -0.0002
140 0.5618 nan 0.1999 -0.0001
160 0.5580 nan 0.1999 -0.0001
180 0.5540 nan 0.1999 0.0000
196 0.5520 nan 0.1999 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0918 nan 0.0116 0.0043
2 1.0837 nan 0.0116 0.0041
3 1.0756 nan 0.0116 0.0040
4 1.0678 nan 0.0116 0.0039
5 1.0602 nan 0.0116 0.0038
6 1.0529 nan 0.0116 0.0036
7 1.0458 nan 0.0116 0.0035
8 1.0388 nan 0.0116 0.0034
9 1.0320 nan 0.0116 0.0033
10 1.0255 nan 0.0116 0.0033
20 0.9686 nan 0.0116 0.0025
40 0.8880 nan 0.0116 0.0016
60 0.8327 nan 0.0116 0.0012
80 0.7918 nan 0.0116 0.0009
100 0.7592 nan 0.0116 0.0006
120 0.7335 nan 0.0116 0.0005
140 0.7125 nan 0.0116 0.0005
160 0.6953 nan 0.0116 0.0004
180 0.6813 nan 0.0116 0.0003
200 0.6696 nan 0.0116 0.0003
220 0.6604 nan 0.0116 0.0002
240 0.6521 nan 0.0116 0.0002
260 0.6446 nan 0.0116 0.0001
280 0.6384 nan 0.0116 0.0001
300 0.6328 nan 0.0116 0.0001
320 0.6278 nan 0.0116 0.0001
340 0.6232 nan 0.0116 0.0001
360 0.6194 nan 0.0116 0.0001
380 0.6159 nan 0.0116 0.0001
400 0.6126 nan 0.0116 0.0001
420 0.6094 nan 0.0116 0.0000
440 0.6066 nan 0.0116 0.0000
460 0.6039 nan 0.0116 0.0000
480 0.6014 nan 0.0116 0.0001
500 0.5993 nan 0.0116 0.0000
520 0.5970 nan 0.0116 0.0000
540 0.5949 nan 0.0116 0.0001
560 0.5931 nan 0.0116 0.0000
580 0.5916 nan 0.0116 0.0000
600 0.5900 nan 0.0116 0.0000
620 0.5882 nan 0.0116 0.0000
628 0.5876 nan 0.0116 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0920 nan 0.0118 0.0042
2 1.0837 nan 0.0118 0.0040
3 1.0757 nan 0.0118 0.0039
4 1.0680 nan 0.0118 0.0038
5 1.0606 nan 0.0118 0.0038
6 1.0535 nan 0.0118 0.0035
7 1.0467 nan 0.0118 0.0034
8 1.0402 nan 0.0118 0.0033
9 1.0335 nan 0.0118 0.0033
10 1.0270 nan 0.0118 0.0032
20 0.9723 nan 0.0118 0.0025
40 0.8936 nan 0.0118 0.0017
60 0.8405 nan 0.0118 0.0013
80 0.7993 nan 0.0118 0.0009
100 0.7674 nan 0.0118 0.0007
120 0.7423 nan 0.0118 0.0005
140 0.7220 nan 0.0118 0.0004
160 0.7053 nan 0.0118 0.0004
180 0.6911 nan 0.0118 0.0003
200 0.6796 nan 0.0118 0.0003
220 0.6700 nan 0.0118 0.0003
240 0.6616 nan 0.0118 0.0002
260 0.6547 nan 0.0118 0.0001
280 0.6485 nan 0.0118 0.0001
300 0.6429 nan 0.0118 0.0001
320 0.6378 nan 0.0118 0.0001
340 0.6336 nan 0.0118 0.0001
360 0.6298 nan 0.0118 0.0001
366 0.6287 nan 0.0118 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0908 nan 0.0134 0.0048
2 1.0818 nan 0.0134 0.0044
3 1.0730 nan 0.0134 0.0044
4 1.0645 nan 0.0134 0.0043
5 1.0562 nan 0.0134 0.0042
6 1.0483 nan 0.0134 0.0040
7 1.0407 nan 0.0134 0.0039
8 1.0332 nan 0.0134 0.0037
9 1.0261 nan 0.0134 0.0036
10 1.0190 nan 0.0134 0.0035
20 0.9591 nan 0.0134 0.0026
40 0.8769 nan 0.0134 0.0016
60 0.8224 nan 0.0134 0.0011
80 0.7810 nan 0.0134 0.0009
100 0.7493 nan 0.0134 0.0006
120 0.7254 nan 0.0134 0.0006
140 0.7055 nan 0.0134 0.0004
160 0.6896 nan 0.0134 0.0004
180 0.6767 nan 0.0134 0.0003
200 0.6662 nan 0.0134 0.0002
220 0.6574 nan 0.0134 0.0002
240 0.6497 nan 0.0134 0.0002
260 0.6430 nan 0.0134 0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0888 nan 0.0164 0.0058
2 1.0774 nan 0.0164 0.0056
3 1.0668 nan 0.0164 0.0053
4 1.0566 nan 0.0164 0.0051
5 1.0470 nan 0.0164 0.0048
6 1.0377 nan 0.0164 0.0047
7 1.0287 nan 0.0164 0.0044
8 1.0201 nan 0.0164 0.0043
9 1.0118 nan 0.0164 0.0042
10 1.0037 nan 0.0164 0.0041
20 0.9371 nan 0.0164 0.0029
40 0.8496 nan 0.0164 0.0017
60 0.7938 nan 0.0164 0.0012
80 0.7532 nan 0.0164 0.0007
100 0.7228 nan 0.0164 0.0007
120 0.7011 nan 0.0164 0.0005
140 0.6837 nan 0.0164 0.0003
160 0.6693 nan 0.0164 0.0003
180 0.6579 nan 0.0164 0.0003
200 0.6485 nan 0.0164 0.0002
220 0.6404 nan 0.0164 0.0001
240 0.6341 nan 0.0164 0.0001
260 0.6284 nan 0.0164 0.0001
280 0.6237 nan 0.0164 0.0001
300 0.6191 nan 0.0164 0.0001
320 0.6151 nan 0.0164 0.0001
340 0.6115 nan 0.0164 0.0000
360 0.6082 nan 0.0164 0.0000
380 0.6051 nan 0.0164 0.0000
400 0.6023 nan 0.0164 0.0000
420 0.5999 nan 0.0164 0.0000
440 0.5979 nan 0.0164 0.0000
460 0.5956 nan 0.0164 0.0000
480 0.5934 nan 0.0164 0.0000
500 0.5916 nan 0.0164 0.0000
520 0.5898 nan 0.0164 0.0000
540 0.5883 nan 0.0164 -0.0000
560 0.5867 nan 0.0164 0.0000
580 0.5855 nan 0.0164 0.0000
600 0.5843 nan 0.0164 0.0000
620 0.5829 nan 0.0164 -0.0000
640 0.5814 nan 0.0164 -0.0000
660 0.5803 nan 0.0164 0.0000
680 0.5791 nan 0.0164 -0.0000
700 0.5780 nan 0.0164 -0.0000
720 0.5768 nan 0.0164 -0.0000
740 0.5758 nan 0.0164 0.0000
760 0.5748 nan 0.0164 0.0000
780 0.5740 nan 0.0164 0.0000
800 0.5730 nan 0.0164 0.0000
820 0.5722 nan 0.0164 0.0000
840 0.5713 nan 0.0164 -0.0000
860 0.5704 nan 0.0164 -0.0000
880 0.5693 nan 0.0164 0.0000
900 0.5684 nan 0.0164 -0.0000
920 0.5676 nan 0.0164 0.0000
940 0.5669 nan 0.0164 -0.0000
960 0.5661 nan 0.0164 0.0000
980 0.5653 nan 0.0164 0.0000
985 0.5652 nan 0.0164 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0898 nan 0.0166 0.0054
2 1.0796 nan 0.0166 0.0052
3 1.0699 nan 0.0166 0.0048
4 1.0605 nan 0.0166 0.0046
5 1.0516 nan 0.0166 0.0044
6 1.0430 nan 0.0166 0.0042
7 1.0345 nan 0.0166 0.0042
8 1.0263 nan 0.0166 0.0042
9 1.0185 nan 0.0166 0.0040
10 1.0109 nan 0.0166 0.0037
20 0.9467 nan 0.0166 0.0028
40 0.8588 nan 0.0166 0.0016
60 0.8031 nan 0.0166 0.0010
80 0.7659 nan 0.0166 0.0007
100 0.7383 nan 0.0166 0.0006
120 0.7167 nan 0.0166 0.0004
136 0.7022 nan 0.0166 0.0004
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0872 nan 0.0205 0.0066
2 1.0746 nan 0.0205 0.0062
3 1.0627 nan 0.0205 0.0059
4 1.0514 nan 0.0205 0.0057
5 1.0406 nan 0.0205 0.0054
6 1.0305 nan 0.0205 0.0050
7 1.0205 nan 0.0205 0.0049
8 1.0110 nan 0.0205 0.0048
9 1.0023 nan 0.0205 0.0044
10 0.9940 nan 0.0205 0.0043
20 0.9226 nan 0.0205 0.0031
40 0.8286 nan 0.0205 0.0018
60 0.7757 nan 0.0205 0.0009
80 0.7395 nan 0.0205 0.0008
100 0.7131 nan 0.0205 0.0006
120 0.6922 nan 0.0205 0.0003
140 0.6768 nan 0.0205 0.0002
160 0.6641 nan 0.0205 0.0002
180 0.6545 nan 0.0205 0.0002
200 0.6462 nan 0.0205 0.0002
220 0.6391 nan 0.0205 0.0001
240 0.6333 nan 0.0205 0.0001
260 0.6284 nan 0.0205 0.0001
280 0.6241 nan 0.0205 0.0001
300 0.6205 nan 0.0205 0.0000
320 0.6171 nan 0.0205 0.0000
340 0.6139 nan 0.0205 0.0000
360 0.6109 nan 0.0205 0.0001
380 0.6085 nan 0.0205 0.0000
400 0.6059 nan 0.0205 0.0001
420 0.6037 nan 0.0205 0.0000
440 0.6015 nan 0.0205 0.0000
460 0.5998 nan 0.0205 -0.0000
480 0.5980 nan 0.0205 0.0000
500 0.5963 nan 0.0205 0.0001
520 0.5948 nan 0.0205 0.0000
540 0.5933 nan 0.0205 -0.0000
560 0.5919 nan 0.0205 0.0000
580 0.5906 nan 0.0205 0.0000
600 0.5894 nan 0.0205 0.0000
620 0.5884 nan 0.0205 0.0000
640 0.5872 nan 0.0205 0.0000
660 0.5861 nan 0.0205 -0.0000
680 0.5850 nan 0.0205 0.0000
700 0.5836 nan 0.0205 -0.0000
720 0.5826 nan 0.0205 -0.0000
740 0.5817 nan 0.0205 -0.0000
760 0.5808 nan 0.0205 0.0000
780 0.5799 nan 0.0205 -0.0000
800 0.5790 nan 0.0205 0.0000
820 0.5782 nan 0.0205 0.0000
840 0.5773 nan 0.0205 0.0000
860 0.5766 nan 0.0205 0.0000
880 0.5758 nan 0.0205 0.0000
900 0.5751 nan 0.0205 -0.0000
920 0.5744 nan 0.0205 -0.0000
940 0.5737 nan 0.0205 -0.0000
950 0.5734 nan 0.0205 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0801 nan 0.0280 0.0101
2 1.0609 nan 0.0280 0.0095
3 1.0435 nan 0.0280 0.0087
4 1.0266 nan 0.0280 0.0081
5 1.0112 nan 0.0280 0.0076
6 0.9970 nan 0.0280 0.0072
7 0.9837 nan 0.0280 0.0067
8 0.9710 nan 0.0280 0.0062
9 0.9588 nan 0.0280 0.0061
10 0.9475 nan 0.0280 0.0056
20 0.8609 nan 0.0280 0.0035
40 0.7631 nan 0.0280 0.0018
60 0.7068 nan 0.0280 0.0010
80 0.6740 nan 0.0280 0.0007
100 0.6516 nan 0.0280 0.0004
120 0.6350 nan 0.0280 0.0003
140 0.6238 nan 0.0280 0.0002
160 0.6137 nan 0.0280 0.0002
180 0.6060 nan 0.0280 0.0001
200 0.5995 nan 0.0280 0.0001
220 0.5938 nan 0.0280 0.0001
240 0.5886 nan 0.0280 0.0000
260 0.5850 nan 0.0280 0.0000
280 0.5818 nan 0.0280 0.0001
300 0.5784 nan 0.0280 -0.0000
320 0.5753 nan 0.0280 0.0001
340 0.5730 nan 0.0280 -0.0000
360 0.5708 nan 0.0280 -0.0000
380 0.5686 nan 0.0280 -0.0000
400 0.5664 nan 0.0280 0.0001
420 0.5647 nan 0.0280 0.0000
440 0.5627 nan 0.0280 -0.0000
460 0.5606 nan 0.0280 0.0001
480 0.5589 nan 0.0280 -0.0000
500 0.5574 nan 0.0280 -0.0000
520 0.5555 nan 0.0280 -0.0000
540 0.5539 nan 0.0280 0.0000
560 0.5523 nan 0.0280 -0.0000
580 0.5508 nan 0.0280 0.0000
600 0.5492 nan 0.0280 0.0000
620 0.5478 nan 0.0280 -0.0000
640 0.5464 nan 0.0280 0.0000
660 0.5450 nan 0.0280 -0.0000
680 0.5438 nan 0.0280 -0.0000
700 0.5421 nan 0.0280 0.0000
720 0.5407 nan 0.0280 -0.0000
740 0.5392 nan 0.0280 -0.0000
760 0.5382 nan 0.0280 -0.0000
780 0.5371 nan 0.0280 0.0000
800 0.5362 nan 0.0280 0.0000
820 0.5348 nan 0.0280 -0.0000
840 0.5335 nan 0.0280 0.0000
860 0.5325 nan 0.0280 -0.0000
880 0.5315 nan 0.0280 -0.0000
900 0.5304 nan 0.0280 -0.0000
918 0.5295 nan 0.0280 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0892 nan 0.0292 0.0057
2 1.0783 nan 0.0292 0.0054
3 1.0682 nan 0.0292 0.0051
4 1.0582 nan 0.0292 0.0048
5 1.0493 nan 0.0292 0.0045
6 1.0410 nan 0.0292 0.0043
7 1.0329 nan 0.0292 0.0040
8 1.0259 nan 0.0292 0.0034
9 1.0183 nan 0.0292 0.0038
10 1.0120 nan 0.0292 0.0031
20 0.9538 nan 0.0292 0.0026
40 0.8772 nan 0.0292 0.0017
60 0.8284 nan 0.0292 0.0011
80 0.7951 nan 0.0292 0.0006
100 0.7687 nan 0.0292 0.0005
120 0.7477 nan 0.0292 0.0003
140 0.7304 nan 0.0292 0.0004
160 0.7155 nan 0.0292 0.0003
180 0.7034 nan 0.0292 0.0002
200 0.6926 nan 0.0292 0.0002
220 0.6840 nan 0.0292 0.0001
240 0.6757 nan 0.0292 0.0002
260 0.6688 nan 0.0292 0.0001
280 0.6627 nan 0.0292 0.0001
300 0.6577 nan 0.0292 0.0001
320 0.6533 nan 0.0292 0.0000
340 0.6495 nan 0.0292 0.0000
360 0.6459 nan 0.0292 0.0001
380 0.6425 nan 0.0292 0.0001
400 0.6397 nan 0.0292 0.0001
420 0.6370 nan 0.0292 0.0000
440 0.6346 nan 0.0292 0.0001
460 0.6326 nan 0.0292 0.0000
480 0.6305 nan 0.0292 0.0000
500 0.6285 nan 0.0292 0.0001
520 0.6269 nan 0.0292 0.0000
540 0.6253 nan 0.0292 0.0000
560 0.6239 nan 0.0292 0.0000
580 0.6226 nan 0.0292 0.0000
600 0.6212 nan 0.0292 0.0000
620 0.6198 nan 0.0292 0.0000
640 0.6184 nan 0.0292 0.0000
660 0.6170 nan 0.0292 0.0000
676 0.6161 nan 0.0292 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0793 nan 0.0297 0.0103
2 1.0601 nan 0.0297 0.0095
3 1.0424 nan 0.0297 0.0089
4 1.0260 nan 0.0297 0.0083
5 1.0108 nan 0.0297 0.0076
6 0.9965 nan 0.0297 0.0072
7 0.9832 nan 0.0297 0.0067
8 0.9703 nan 0.0297 0.0065
9 0.9585 nan 0.0297 0.0060
10 0.9472 nan 0.0297 0.0055
20 0.8633 nan 0.0297 0.0033
40 0.7667 nan 0.0297 0.0019
60 0.7122 nan 0.0297 0.0010
80 0.6782 nan 0.0297 0.0007
100 0.6566 nan 0.0297 0.0003
120 0.6419 nan 0.0297 0.0003
140 0.6298 nan 0.0297 0.0002
160 0.6208 nan 0.0297 0.0001
180 0.6136 nan 0.0297 0.0001
200 0.6073 nan 0.0297 0.0001
220 0.6021 nan 0.0297 0.0001
240 0.5972 nan 0.0297 0.0001
260 0.5935 nan 0.0297 0.0000
280 0.5899 nan 0.0297 0.0001
300 0.5869 nan 0.0297 0.0000
320 0.5844 nan 0.0297 0.0000
340 0.5817 nan 0.0297 -0.0000
360 0.5789 nan 0.0297 0.0001
380 0.5770 nan 0.0297 0.0000
400 0.5748 nan 0.0297 0.0000
401 0.5747 nan 0.0297 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0842 nan 0.0300 0.0081
2 1.0690 nan 0.0300 0.0076
3 1.0550 nan 0.0300 0.0070
4 1.0417 nan 0.0300 0.0066
5 1.0293 nan 0.0300 0.0061
6 1.0174 nan 0.0300 0.0058
7 1.0066 nan 0.0300 0.0055
8 0.9940 nan 0.0300 0.0061
9 0.9825 nan 0.0300 0.0058
10 0.9730 nan 0.0300 0.0048
20 0.8918 nan 0.0300 0.0033
40 0.8081 nan 0.0300 0.0014
60 0.7577 nan 0.0300 0.0010
80 0.7239 nan 0.0300 0.0008
100 0.6993 nan 0.0300 0.0005
120 0.6803 nan 0.0300 0.0003
140 0.6662 nan 0.0300 0.0003
160 0.6555 nan 0.0300 0.0002
180 0.6471 nan 0.0300 0.0003
200 0.6404 nan 0.0300 0.0001
220 0.6350 nan 0.0300 0.0001
240 0.6305 nan 0.0300 0.0001
260 0.6262 nan 0.0300 0.0001
280 0.6225 nan 0.0300 0.0001
300 0.6191 nan 0.0300 0.0001
320 0.6164 nan 0.0300 0.0000
340 0.6137 nan 0.0300 0.0000
360 0.6113 nan 0.0300 0.0001
380 0.6091 nan 0.0300 -0.0000
400 0.6071 nan 0.0300 0.0000
420 0.6054 nan 0.0300 0.0000
440 0.6035 nan 0.0300 0.0000
460 0.6017 nan 0.0300 0.0000
480 0.6001 nan 0.0300 0.0000
500 0.5986 nan 0.0300 -0.0000
520 0.5971 nan 0.0300 0.0000
540 0.5959 nan 0.0300 0.0000
560 0.5944 nan 0.0300 -0.0000
580 0.5933 nan 0.0300 -0.0000
600 0.5923 nan 0.0300 0.0000
620 0.5912 nan 0.0300 -0.0000
640 0.5902 nan 0.0300 -0.0000
660 0.5892 nan 0.0300 0.0000
680 0.5882 nan 0.0300 -0.0000
700 0.5873 nan 0.0300 0.0000
720 0.5865 nan 0.0300 -0.0000
740 0.5855 nan 0.0300 -0.0000
760 0.5848 nan 0.0300 -0.0000
780 0.5839 nan 0.0300 0.0000
800 0.5832 nan 0.0300 -0.0000
820 0.5823 nan 0.0300 -0.0000
840 0.5816 nan 0.0300 -0.0000
860 0.5810 nan 0.0300 -0.0000
880 0.5803 nan 0.0300 0.0000
900 0.5797 nan 0.0300 -0.0000
920 0.5790 nan 0.0300 -0.0000
940 0.5783 nan 0.0300 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0800 nan 0.0324 0.0101
2 1.0611 nan 0.0324 0.0093
3 1.0435 nan 0.0324 0.0088
4 1.0272 nan 0.0324 0.0081
5 1.0121 nan 0.0324 0.0074
6 0.9979 nan 0.0324 0.0071
7 0.9845 nan 0.0324 0.0065
8 0.9716 nan 0.0324 0.0064
9 0.9596 nan 0.0324 0.0059
10 0.9485 nan 0.0324 0.0056
20 0.8596 nan 0.0324 0.0037
40 0.7682 nan 0.0324 0.0014
60 0.7183 nan 0.0324 0.0008
80 0.6856 nan 0.0324 0.0006
100 0.6641 nan 0.0324 0.0004
120 0.6489 nan 0.0324 0.0003
140 0.6374 nan 0.0324 0.0001
160 0.6297 nan 0.0324 0.0001
180 0.6222 nan 0.0324 0.0001
195 0.6178 nan 0.0324 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0796 nan 0.0327 0.0102
2 1.0605 nan 0.0327 0.0096
3 1.0427 nan 0.0327 0.0087
4 1.0264 nan 0.0327 0.0081
5 1.0117 nan 0.0327 0.0074
6 0.9975 nan 0.0327 0.0071
7 0.9840 nan 0.0327 0.0069
8 0.9715 nan 0.0327 0.0062
9 0.9595 nan 0.0327 0.0060
10 0.9481 nan 0.0327 0.0056
20 0.8604 nan 0.0327 0.0037
40 0.7680 nan 0.0327 0.0014
60 0.7179 nan 0.0327 0.0010
80 0.6851 nan 0.0327 0.0005
100 0.6636 nan 0.0327 0.0004
120 0.6486 nan 0.0327 0.0004
140 0.6382 nan 0.0327 0.0001
160 0.6298 nan 0.0327 0.0001
180 0.6230 nan 0.0327 0.0001
200 0.6178 nan 0.0327 0.0000
220 0.6128 nan 0.0327 0.0000
240 0.6087 nan 0.0327 0.0001
260 0.6050 nan 0.0327 0.0000
280 0.6016 nan 0.0327 -0.0000
300 0.5986 nan 0.0327 0.0001
320 0.5960 nan 0.0327 -0.0000
340 0.5934 nan 0.0327 0.0001
360 0.5913 nan 0.0327 0.0000
380 0.5895 nan 0.0327 0.0000
400 0.5877 nan 0.0327 0.0000
420 0.5861 nan 0.0327 0.0000
439 0.5841 nan 0.0327 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0863 nan 0.0359 0.0070
2 1.0730 nan 0.0359 0.0065
3 1.0610 nan 0.0359 0.0060
4 1.0497 nan 0.0359 0.0056
5 1.0391 nan 0.0359 0.0052
6 1.0294 nan 0.0359 0.0049
7 1.0203 nan 0.0359 0.0045
8 1.0117 nan 0.0359 0.0042
9 1.0041 nan 0.0359 0.0037
10 0.9958 nan 0.0359 0.0042
20 0.9318 nan 0.0359 0.0030
40 0.8523 nan 0.0359 0.0018
60 0.8045 nan 0.0359 0.0011
80 0.7709 nan 0.0359 0.0008
100 0.7451 nan 0.0359 0.0007
120 0.7248 nan 0.0359 0.0005
140 0.7084 nan 0.0359 0.0004
160 0.6946 nan 0.0359 0.0002
180 0.6834 nan 0.0359 0.0003
200 0.6733 nan 0.0359 0.0002
220 0.6658 nan 0.0359 0.0002
240 0.6588 nan 0.0359 0.0001
260 0.6522 nan 0.0359 0.0001
280 0.6474 nan 0.0359 0.0001
300 0.6435 nan 0.0359 0.0001
320 0.6395 nan 0.0359 0.0001
340 0.6367 nan 0.0359 0.0000
360 0.6336 nan 0.0359 0.0000
380 0.6312 nan 0.0359 0.0000
400 0.6291 nan 0.0359 0.0000
420 0.6270 nan 0.0359 0.0000
440 0.6248 nan 0.0359 0.0000
460 0.6232 nan 0.0359 0.0000
480 0.6213 nan 0.0359 0.0000
500 0.6197 nan 0.0359 0.0000
520 0.6183 nan 0.0359 0.0000
540 0.6171 nan 0.0359 0.0000
560 0.6158 nan 0.0359 -0.0000
580 0.6147 nan 0.0359 0.0000
600 0.6134 nan 0.0359 0.0000
620 0.6121 nan 0.0359 0.0000
640 0.6109 nan 0.0359 0.0000
660 0.6099 nan 0.0359 0.0000
680 0.6089 nan 0.0359 0.0000
700 0.6079 nan 0.0359 0.0000
720 0.6070 nan 0.0359 0.0000
740 0.6059 nan 0.0359 -0.0000
760 0.6051 nan 0.0359 -0.0000
780 0.6041 nan 0.0359 -0.0000
800 0.6034 nan 0.0359 0.0000
820 0.6025 nan 0.0359 0.0000
840 0.6018 nan 0.0359 0.0000
855 0.6013 nan 0.0359 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0742 nan 0.0373 0.0133
2 1.0510 nan 0.0373 0.0117
3 1.0295 nan 0.0373 0.0107
4 1.0097 nan 0.0373 0.0098
5 0.9920 nan 0.0373 0.0089
6 0.9754 nan 0.0373 0.0080
7 0.9603 nan 0.0373 0.0075
8 0.9463 nan 0.0373 0.0069
9 0.9335 nan 0.0373 0.0064
10 0.9212 nan 0.0373 0.0063
20 0.8306 nan 0.0373 0.0036
40 0.7347 nan 0.0373 0.0016
60 0.6843 nan 0.0373 0.0009
80 0.6557 nan 0.0373 0.0004
100 0.6381 nan 0.0373 0.0002
120 0.6260 nan 0.0373 0.0002
140 0.6171 nan 0.0373 0.0002
160 0.6101 nan 0.0373 0.0001
180 0.6045 nan 0.0373 0.0002
200 0.5997 nan 0.0373 0.0001
220 0.5953 nan 0.0373 0.0000
240 0.5917 nan 0.0373 0.0000
260 0.5889 nan 0.0373 0.0000
280 0.5865 nan 0.0373 -0.0000
300 0.5840 nan 0.0373 -0.0000
320 0.5814 nan 0.0373 -0.0000
340 0.5794 nan 0.0373 0.0000
360 0.5771 nan 0.0373 0.0000
380 0.5752 nan 0.0373 -0.0000
400 0.5735 nan 0.0373 -0.0000
420 0.5718 nan 0.0373 -0.0000
440 0.5702 nan 0.0373 0.0001
460 0.5689 nan 0.0373 0.0000
480 0.5676 nan 0.0373 -0.0000
500 0.5662 nan 0.0373 -0.0000
520 0.5648 nan 0.0373 -0.0000
527 0.5644 nan 0.0373 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0734 nan 0.0379 0.0133
2 1.0497 nan 0.0379 0.0122
3 1.0287 nan 0.0379 0.0106
4 1.0090 nan 0.0379 0.0099
5 0.9909 nan 0.0379 0.0092
6 0.9740 nan 0.0379 0.0082
7 0.9593 nan 0.0379 0.0077
8 0.9451 nan 0.0379 0.0072
9 0.9319 nan 0.0379 0.0065
10 0.9197 nan 0.0379 0.0063
20 0.8293 nan 0.0379 0.0033
40 0.7325 nan 0.0379 0.0017
60 0.6842 nan 0.0379 0.0009
80 0.6554 nan 0.0379 0.0007
100 0.6375 nan 0.0379 0.0003
120 0.6250 nan 0.0379 0.0002
140 0.6158 nan 0.0379 0.0002
160 0.6087 nan 0.0379 0.0001
180 0.6026 nan 0.0379 0.0001
200 0.5977 nan 0.0379 0.0000
220 0.5936 nan 0.0379 0.0001
240 0.5898 nan 0.0379 0.0000
260 0.5866 nan 0.0379 0.0000
280 0.5835 nan 0.0379 0.0000
300 0.5809 nan 0.0379 0.0001
320 0.5782 nan 0.0379 0.0001
340 0.5760 nan 0.0379 0.0000
342 0.5758 nan 0.0379 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0752 nan 0.0398 0.0125
2 1.0526 nan 0.0398 0.0114
3 1.0321 nan 0.0398 0.0105
4 1.0133 nan 0.0398 0.0093
5 0.9954 nan 0.0398 0.0089
6 0.9789 nan 0.0398 0.0081
7 0.9638 nan 0.0398 0.0075
8 0.9496 nan 0.0398 0.0071
9 0.9367 nan 0.0398 0.0064
10 0.9249 nan 0.0398 0.0057
20 0.8301 nan 0.0398 0.0036
40 0.7415 nan 0.0398 0.0015
60 0.6933 nan 0.0398 0.0008
80 0.6648 nan 0.0398 0.0006
100 0.6456 nan 0.0398 0.0003
120 0.6333 nan 0.0398 0.0003
140 0.6241 nan 0.0398 0.0002
160 0.6170 nan 0.0398 0.0001
180 0.6116 nan 0.0398 0.0000
200 0.6061 nan 0.0398 0.0000
220 0.6019 nan 0.0398 0.0000
240 0.5977 nan 0.0398 0.0000
260 0.5944 nan 0.0398 -0.0000
280 0.5910 nan 0.0398 0.0001
300 0.5878 nan 0.0398 0.0000
320 0.5857 nan 0.0398 0.0000
340 0.5839 nan 0.0398 -0.0000
360 0.5817 nan 0.0398 0.0000
380 0.5798 nan 0.0398 0.0000
400 0.5780 nan 0.0398 0.0000
420 0.5759 nan 0.0398 -0.0000
440 0.5741 nan 0.0398 -0.0000
460 0.5725 nan 0.0398 0.0001
480 0.5710 nan 0.0398 -0.0000
500 0.5698 nan 0.0398 -0.0000
520 0.5684 nan 0.0398 0.0000
540 0.5670 nan 0.0398 0.0001
560 0.5655 nan 0.0398 0.0001
580 0.5642 nan 0.0398 -0.0000
600 0.5630 nan 0.0398 0.0001
620 0.5620 nan 0.0398 -0.0000
640 0.5611 nan 0.0398 -0.0000
660 0.5599 nan 0.0398 -0.0000
680 0.5590 nan 0.0398 -0.0000
700 0.5577 nan 0.0398 -0.0000
720 0.5567 nan 0.0398 -0.0000
740 0.5557 nan 0.0398 -0.0000
760 0.5551 nan 0.0398 -0.0000
780 0.5543 nan 0.0398 -0.0000
800 0.5535 nan 0.0398 -0.0000
820 0.5527 nan 0.0398 -0.0000
840 0.5519 nan 0.0398 0.0000
860 0.5512 nan 0.0398 -0.0000
880 0.5502 nan 0.0398 -0.0000
900 0.5492 nan 0.0398 0.0001
919 0.5487 nan 0.0398 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0845 nan 0.0410 0.0080
2 1.0697 nan 0.0410 0.0073
3 1.0566 nan 0.0410 0.0068
4 1.0441 nan 0.0410 0.0062
5 1.0326 nan 0.0410 0.0057
6 1.0227 nan 0.0410 0.0047
7 1.0125 nan 0.0410 0.0052
8 1.0025 nan 0.0410 0.0048
9 0.9943 nan 0.0410 0.0041
10 0.9854 nan 0.0410 0.0044
20 0.9208 nan 0.0410 0.0023
40 0.8372 nan 0.0410 0.0012
60 0.7887 nan 0.0410 0.0012
80 0.7556 nan 0.0410 0.0007
100 0.7301 nan 0.0410 0.0006
120 0.7094 nan 0.0410 0.0005
140 0.6942 nan 0.0410 0.0004
160 0.6813 nan 0.0410 0.0002
180 0.6714 nan 0.0410 0.0001
200 0.6620 nan 0.0410 0.0002
220 0.6548 nan 0.0410 0.0001
240 0.6493 nan 0.0410 0.0001
260 0.6441 nan 0.0410 0.0001
280 0.6403 nan 0.0410 0.0001
284 0.6397 nan 0.0410 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0674 nan 0.0452 0.0165
2 1.0382 nan 0.0452 0.0144
3 1.0129 nan 0.0452 0.0125
4 0.9900 nan 0.0452 0.0114
5 0.9692 nan 0.0452 0.0105
6 0.9500 nan 0.0452 0.0093
7 0.9329 nan 0.0452 0.0087
8 0.9170 nan 0.0452 0.0077
9 0.9020 nan 0.0452 0.0072
10 0.8887 nan 0.0452 0.0066
20 0.7927 nan 0.0452 0.0036
40 0.6994 nan 0.0452 0.0011
60 0.6529 nan 0.0452 0.0009
80 0.6305 nan 0.0452 0.0006
100 0.6135 nan 0.0452 0.0002
120 0.6024 nan 0.0452 0.0003
140 0.5934 nan 0.0452 0.0000
160 0.5874 nan 0.0452 0.0000
180 0.5825 nan 0.0452 0.0000
200 0.5769 nan 0.0452 0.0000
220 0.5729 nan 0.0452 0.0000
240 0.5691 nan 0.0452 0.0000
260 0.5658 nan 0.0452 0.0001
280 0.5624 nan 0.0452 -0.0000
300 0.5596 nan 0.0452 0.0000
302 0.5593 nan 0.0452 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0821 nan 0.0466 0.0091
2 1.0655 nan 0.0466 0.0082
3 1.0503 nan 0.0466 0.0074
4 1.0365 nan 0.0466 0.0067
5 1.0245 nan 0.0466 0.0062
6 1.0134 nan 0.0466 0.0055
7 1.0023 nan 0.0466 0.0056
8 0.9932 nan 0.0466 0.0044
9 0.9829 nan 0.0466 0.0050
10 0.9736 nan 0.0466 0.0046
20 0.9035 nan 0.0466 0.0032
40 0.8210 nan 0.0466 0.0011
60 0.7726 nan 0.0466 0.0011
80 0.7398 nan 0.0466 0.0006
100 0.7161 nan 0.0466 0.0004
120 0.6965 nan 0.0466 0.0003
140 0.6821 nan 0.0466 0.0003
160 0.6699 nan 0.0466 0.0003
180 0.6603 nan 0.0466 0.0001
200 0.6529 nan 0.0466 0.0002
220 0.6467 nan 0.0466 0.0002
240 0.6417 nan 0.0466 0.0001
260 0.6376 nan 0.0466 0.0001
280 0.6331 nan 0.0466 0.0002
300 0.6303 nan 0.0466 0.0000
320 0.6274 nan 0.0466 0.0000
340 0.6248 nan 0.0466 0.0000
360 0.6225 nan 0.0466 0.0000
380 0.6204 nan 0.0466 0.0000
386 0.6199 nan 0.0466 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0680 nan 0.0467 0.0162
2 1.0392 nan 0.0467 0.0141
3 1.0135 nan 0.0467 0.0125
4 0.9904 nan 0.0467 0.0112
5 0.9698 nan 0.0467 0.0104
6 0.9512 nan 0.0467 0.0091
7 0.9345 nan 0.0467 0.0084
8 0.9188 nan 0.0467 0.0076
9 0.9048 nan 0.0467 0.0070
10 0.8915 nan 0.0467 0.0065
20 0.8000 nan 0.0467 0.0031
40 0.7052 nan 0.0467 0.0017
60 0.6626 nan 0.0467 0.0006
80 0.6372 nan 0.0467 0.0005
100 0.6217 nan 0.0467 0.0003
120 0.6111 nan 0.0467 0.0002
140 0.6026 nan 0.0467 0.0001
160 0.5957 nan 0.0467 0.0002
180 0.5905 nan 0.0467 0.0000
200 0.5856 nan 0.0467 -0.0000
220 0.5820 nan 0.0467 0.0000
240 0.5784 nan 0.0467 0.0000
260 0.5757 nan 0.0467 -0.0000
280 0.5724 nan 0.0467 0.0000
300 0.5697 nan 0.0467 0.0000
320 0.5675 nan 0.0467 -0.0000
340 0.5654 nan 0.0467 0.0000
360 0.5632 nan 0.0467 -0.0000
380 0.5610 nan 0.0467 0.0000
400 0.5592 nan 0.0467 -0.0001
420 0.5574 nan 0.0467 0.0000
440 0.5560 nan 0.0467 -0.0000
460 0.5547 nan 0.0467 -0.0000
480 0.5530 nan 0.0467 -0.0000
500 0.5515 nan 0.0467 -0.0000
520 0.5501 nan 0.0467 -0.0000
540 0.5485 nan 0.0467 0.0000
560 0.5471 nan 0.0467 -0.0001
580 0.5458 nan 0.0467 0.0000
600 0.5445 nan 0.0467 -0.0000
620 0.5432 nan 0.0467 -0.0000
640 0.5417 nan 0.0467 -0.0000
660 0.5408 nan 0.0467 -0.0000
680 0.5396 nan 0.0467 -0.0000
700 0.5384 nan 0.0467 -0.0000
720 0.5374 nan 0.0467 -0.0000
740 0.5364 nan 0.0467 -0.0000
753 0.5356 nan 0.0467 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0687 nan 0.0497 0.0157
2 1.0414 nan 0.0497 0.0136
3 1.0168 nan 0.0497 0.0123
4 0.9947 nan 0.0497 0.0109
5 0.9751 nan 0.0497 0.0100
6 0.9565 nan 0.0497 0.0091
7 0.9398 nan 0.0497 0.0081
8 0.9245 nan 0.0497 0.0077
9 0.9085 nan 0.0497 0.0081
10 0.8937 nan 0.0497 0.0073
20 0.8030 nan 0.0497 0.0030
40 0.7148 nan 0.0497 0.0015
60 0.6708 nan 0.0497 0.0009
80 0.6472 nan 0.0497 0.0002
100 0.6311 nan 0.0497 0.0002
120 0.6199 nan 0.0497 0.0001
140 0.6125 nan 0.0497 0.0000
160 0.6060 nan 0.0497 0.0000
180 0.6011 nan 0.0497 0.0002
200 0.5962 nan 0.0497 0.0001
220 0.5929 nan 0.0497 0.0001
240 0.5891 nan 0.0497 -0.0000
260 0.5865 nan 0.0497 0.0000
280 0.5841 nan 0.0497 -0.0000
300 0.5814 nan 0.0497 -0.0000
320 0.5793 nan 0.0497 -0.0000
340 0.5772 nan 0.0497 0.0000
360 0.5753 nan 0.0497 -0.0000
380 0.5734 nan 0.0497 -0.0000
400 0.5719 nan 0.0497 -0.0000
420 0.5706 nan 0.0497 0.0000
440 0.5687 nan 0.0497 -0.0000
460 0.5671 nan 0.0497 -0.0000
480 0.5658 nan 0.0497 -0.0000
500 0.5644 nan 0.0497 -0.0000
520 0.5630 nan 0.0497 -0.0000
540 0.5617 nan 0.0497 -0.0000
553 0.5608 nan 0.0497 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0731 nan 0.0500 0.0133
2 1.0496 nan 0.0500 0.0119
3 1.0285 nan 0.0500 0.0106
4 1.0089 nan 0.0500 0.0097
5 0.9918 nan 0.0500 0.0086
6 0.9748 nan 0.0500 0.0081
7 0.9608 nan 0.0500 0.0072
8 0.9441 nan 0.0500 0.0083
9 0.9319 nan 0.0500 0.0059
10 0.9176 nan 0.0500 0.0071
20 0.8304 nan 0.0500 0.0027
40 0.7440 nan 0.0500 0.0012
60 0.6984 nan 0.0500 0.0008
80 0.6698 nan 0.0500 0.0004
100 0.6519 nan 0.0500 0.0002
120 0.6400 nan 0.0500 0.0003
140 0.6306 nan 0.0500 0.0001
160 0.6240 nan 0.0500 0.0001
180 0.6185 nan 0.0500 0.0001
200 0.6141 nan 0.0500 0.0001
220 0.6099 nan 0.0500 0.0000
240 0.6062 nan 0.0500 0.0001
260 0.6030 nan 0.0500 0.0000
280 0.6003 nan 0.0500 -0.0000
300 0.5979 nan 0.0500 -0.0000
320 0.5958 nan 0.0500 -0.0000
340 0.5934 nan 0.0500 0.0001
360 0.5919 nan 0.0500 0.0000
380 0.5903 nan 0.0500 0.0001
400 0.5885 nan 0.0500 -0.0001
420 0.5867 nan 0.0500 0.0000
440 0.5856 nan 0.0500 -0.0000
460 0.5843 nan 0.0500 0.0000
480 0.5830 nan 0.0500 -0.0000
500 0.5815 nan 0.0500 -0.0000
520 0.5805 nan 0.0500 -0.0000
540 0.5794 nan 0.0500 -0.0000
560 0.5782 nan 0.0500 -0.0000
580 0.5773 nan 0.0500 -0.0000
600 0.5762 nan 0.0500 0.0001
620 0.5750 nan 0.0500 -0.0000
640 0.5741 nan 0.0500 0.0000
660 0.5731 nan 0.0500 -0.0001
680 0.5721 nan 0.0500 -0.0000
700 0.5714 nan 0.0500 -0.0000
720 0.5707 nan 0.0500 -0.0000
740 0.5695 nan 0.0500 0.0000
760 0.5686 nan 0.0500 0.0001
780 0.5676 nan 0.0500 -0.0000
800 0.5668 nan 0.0500 0.0000
820 0.5658 nan 0.0500 -0.0000
840 0.5650 nan 0.0500 0.0000
860 0.5645 nan 0.0500 -0.0000
880 0.5639 nan 0.0500 -0.0000
900 0.5634 nan 0.0500 -0.0000
907 0.5632 nan 0.0500 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0716 nan 0.0528 0.0145
2 1.0468 nan 0.0528 0.0125
3 1.0243 nan 0.0528 0.0110
4 1.0042 nan 0.0528 0.0100
5 0.9854 nan 0.0528 0.0091
6 0.9690 nan 0.0528 0.0080
7 0.9539 nan 0.0528 0.0075
8 0.9368 nan 0.0528 0.0083
9 0.9214 nan 0.0528 0.0078
10 0.9078 nan 0.0528 0.0069
20 0.8223 nan 0.0528 0.0028
40 0.7373 nan 0.0528 0.0015
60 0.6936 nan 0.0528 0.0008
80 0.6656 nan 0.0528 0.0006
100 0.6478 nan 0.0528 0.0003
120 0.6365 nan 0.0528 0.0002
140 0.6282 nan 0.0528 0.0001
160 0.6219 nan 0.0528 0.0001
180 0.6160 nan 0.0528 0.0001
200 0.6120 nan 0.0528 0.0001
220 0.6079 nan 0.0528 0.0000
225 0.6069 nan 0.0528 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0711 nan 0.0536 0.0148
2 1.0463 nan 0.0536 0.0124
3 1.0234 nan 0.0536 0.0113
4 1.0030 nan 0.0536 0.0103
5 0.9845 nan 0.0536 0.0088
6 0.9679 nan 0.0536 0.0079
7 0.9497 nan 0.0536 0.0092
8 0.9356 nan 0.0536 0.0070
9 0.9200 nan 0.0536 0.0077
10 0.9060 nan 0.0536 0.0069
20 0.8190 nan 0.0536 0.0030
40 0.7365 nan 0.0536 0.0011
60 0.6903 nan 0.0536 0.0010
80 0.6632 nan 0.0536 0.0005
100 0.6474 nan 0.0536 0.0002
120 0.6352 nan 0.0536 0.0003
140 0.6273 nan 0.0536 0.0001
160 0.6209 nan 0.0536 0.0001
180 0.6157 nan 0.0536 0.0000
200 0.6108 nan 0.0536 0.0000
220 0.6072 nan 0.0536 0.0000
240 0.6040 nan 0.0536 0.0000
260 0.6012 nan 0.0536 0.0000
280 0.5985 nan 0.0536 0.0001
283 0.5979 nan 0.0536 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0797 nan 0.0552 0.0107
2 1.0609 nan 0.0552 0.0096
3 1.0437 nan 0.0552 0.0085
4 1.0282 nan 0.0552 0.0076
5 1.0142 nan 0.0552 0.0068
6 1.0016 nan 0.0552 0.0065
7 0.9910 nan 0.0552 0.0051
8 0.9792 nan 0.0552 0.0060
9 0.9682 nan 0.0552 0.0054
10 0.9597 nan 0.0552 0.0042
20 0.8840 nan 0.0552 0.0031
40 0.8009 nan 0.0552 0.0014
60 0.7528 nan 0.0552 0.0011
80 0.7206 nan 0.0552 0.0009
100 0.6988 nan 0.0552 0.0004
120 0.6801 nan 0.0552 0.0004
140 0.6672 nan 0.0552 0.0005
160 0.6557 nan 0.0552 0.0003
180 0.6485 nan 0.0552 0.0001
200 0.6424 nan 0.0552 0.0002
220 0.6368 nan 0.0552 0.0001
240 0.6326 nan 0.0552 0.0001
260 0.6291 nan 0.0552 0.0000
280 0.6262 nan 0.0552 0.0000
300 0.6230 nan 0.0552 0.0001
320 0.6205 nan 0.0552 0.0000
340 0.6181 nan 0.0552 0.0001
360 0.6158 nan 0.0552 0.0000
380 0.6140 nan 0.0552 -0.0000
400 0.6118 nan 0.0552 0.0001
420 0.6102 nan 0.0552 0.0000
440 0.6085 nan 0.0552 -0.0000
460 0.6069 nan 0.0552 -0.0000
480 0.6054 nan 0.0552 0.0000
500 0.6041 nan 0.0552 0.0000
520 0.6029 nan 0.0552 0.0000
540 0.6017 nan 0.0552 -0.0000
560 0.6007 nan 0.0552 -0.0000
580 0.5997 nan 0.0552 0.0000
600 0.5989 nan 0.0552 -0.0000
620 0.5979 nan 0.0552 0.0000
640 0.5971 nan 0.0552 -0.0000
660 0.5962 nan 0.0552 0.0000
680 0.5956 nan 0.0552 -0.0000
700 0.5948 nan 0.0552 -0.0000
720 0.5941 nan 0.0552 0.0000
740 0.5933 nan 0.0552 -0.0000
760 0.5929 nan 0.0552 -0.0000
780 0.5922 nan 0.0552 -0.0000
800 0.5915 nan 0.0552 -0.0000
820 0.5908 nan 0.0552 -0.0000
840 0.5903 nan 0.0552 -0.0000
860 0.5898 nan 0.0552 -0.0000
880 0.5894 nan 0.0552 -0.0000
900 0.5890 nan 0.0552 -0.0000
920 0.5885 nan 0.0552 -0.0000
940 0.5880 nan 0.0552 -0.0000
956 0.5877 nan 0.0552 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0699 nan 0.0555 0.0150
2 1.0438 nan 0.0555 0.0131
3 1.0213 nan 0.0555 0.0113
4 1.0002 nan 0.0555 0.0105
5 0.9817 nan 0.0555 0.0094
6 0.9650 nan 0.0555 0.0082
7 0.9454 nan 0.0555 0.0094
8 0.9285 nan 0.0555 0.0085
9 0.9133 nan 0.0555 0.0077
10 0.9012 nan 0.0555 0.0058
20 0.8156 nan 0.0555 0.0030
40 0.7320 nan 0.0555 0.0011
60 0.6883 nan 0.0555 0.0008
80 0.6626 nan 0.0555 0.0004
100 0.6462 nan 0.0555 0.0002
120 0.6347 nan 0.0555 0.0002
140 0.6264 nan 0.0555 0.0002
160 0.6204 nan 0.0555 0.0001
180 0.6153 nan 0.0555 0.0002
200 0.6112 nan 0.0555 0.0001
220 0.6071 nan 0.0555 0.0000
240 0.6035 nan 0.0555 0.0000
260 0.6006 nan 0.0555 0.0000
280 0.5983 nan 0.0555 0.0000
300 0.5958 nan 0.0555 -0.0000
320 0.5934 nan 0.0555 -0.0000
340 0.5916 nan 0.0555 -0.0000
360 0.5896 nan 0.0555 0.0000
380 0.5876 nan 0.0555 0.0000
400 0.5857 nan 0.0555 0.0000
420 0.5840 nan 0.0555 0.0001
440 0.5826 nan 0.0555 0.0000
460 0.5813 nan 0.0555 0.0000
480 0.5800 nan 0.0555 -0.0000
493 0.5790 nan 0.0555 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0591 nan 0.0614 0.0208
2 1.0232 nan 0.0614 0.0179
3 0.9925 nan 0.0614 0.0152
4 0.9658 nan 0.0614 0.0134
5 0.9423 nan 0.0614 0.0118
6 0.9212 nan 0.0614 0.0102
7 0.9017 nan 0.0614 0.0096
8 0.8851 nan 0.0614 0.0083
9 0.8698 nan 0.0614 0.0076
10 0.8561 nan 0.0614 0.0068
20 0.7580 nan 0.0614 0.0036
40 0.6730 nan 0.0614 0.0012
60 0.6392 nan 0.0614 0.0007
80 0.6207 nan 0.0614 0.0002
100 0.6089 nan 0.0614 0.0001
120 0.6009 nan 0.0614 0.0001
140 0.5949 nan 0.0614 -0.0000
160 0.5895 nan 0.0614 0.0000
180 0.5855 nan 0.0614 -0.0000
200 0.5821 nan 0.0614 0.0000
220 0.5788 nan 0.0614 0.0000
240 0.5760 nan 0.0614 -0.0000
260 0.5734 nan 0.0614 -0.0000
280 0.5709 nan 0.0614 -0.0000
300 0.5688 nan 0.0614 0.0000
320 0.5667 nan 0.0614 -0.0000
340 0.5645 nan 0.0614 -0.0001
360 0.5627 nan 0.0614 -0.0000
380 0.5609 nan 0.0614 -0.0000
400 0.5594 nan 0.0614 -0.0001
420 0.5580 nan 0.0614 -0.0000
436 0.5568 nan 0.0614 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0545 nan 0.0636 0.0230
2 1.0161 nan 0.0636 0.0187
3 0.9838 nan 0.0636 0.0163
4 0.9554 nan 0.0636 0.0141
5 0.9305 nan 0.0636 0.0124
6 0.9087 nan 0.0636 0.0109
7 0.8889 nan 0.0636 0.0099
8 0.8715 nan 0.0636 0.0086
9 0.8557 nan 0.0636 0.0080
10 0.8410 nan 0.0636 0.0073
20 0.7424 nan 0.0636 0.0032
40 0.6595 nan 0.0636 0.0010
60 0.6254 nan 0.0636 0.0006
80 0.6060 nan 0.0636 0.0004
100 0.5938 nan 0.0636 0.0000
120 0.5843 nan 0.0636 0.0000
140 0.5786 nan 0.0636 0.0000
160 0.5721 nan 0.0636 0.0001
180 0.5668 nan 0.0636 -0.0001
200 0.5628 nan 0.0636 -0.0000
220 0.5590 nan 0.0636 0.0000
240 0.5557 nan 0.0636 -0.0001
260 0.5527 nan 0.0636 -0.0000
280 0.5493 nan 0.0636 -0.0000
300 0.5467 nan 0.0636 -0.0000
320 0.5444 nan 0.0636 -0.0001
340 0.5419 nan 0.0636 0.0001
360 0.5398 nan 0.0636 -0.0000
380 0.5378 nan 0.0636 -0.0001
400 0.5359 nan 0.0636 -0.0001
420 0.5337 nan 0.0636 -0.0000
440 0.5318 nan 0.0636 -0.0001
460 0.5298 nan 0.0636 -0.0001
480 0.5275 nan 0.0636 -0.0000
500 0.5258 nan 0.0636 -0.0000
520 0.5239 nan 0.0636 -0.0000
540 0.5221 nan 0.0636 -0.0000
560 0.5205 nan 0.0636 -0.0001
580 0.5187 nan 0.0636 -0.0001
586 0.5181 nan 0.0636 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0539 nan 0.0644 0.0231
2 1.0159 nan 0.0644 0.0189
3 0.9829 nan 0.0644 0.0165
4 0.9547 nan 0.0644 0.0140
5 0.9294 nan 0.0644 0.0126
6 0.9077 nan 0.0644 0.0110
7 0.8875 nan 0.0644 0.0098
8 0.8698 nan 0.0644 0.0088
9 0.8538 nan 0.0644 0.0079
10 0.8396 nan 0.0644 0.0070
20 0.7405 nan 0.0644 0.0036
40 0.6564 nan 0.0644 0.0011
60 0.6247 nan 0.0644 0.0003
80 0.6062 nan 0.0644 0.0002
100 0.5935 nan 0.0644 0.0000
120 0.5843 nan 0.0644 0.0001
140 0.5784 nan 0.0644 0.0001
160 0.5733 nan 0.0644 0.0000
180 0.5691 nan 0.0644 -0.0001
200 0.5653 nan 0.0644 0.0001
220 0.5619 nan 0.0644 -0.0001
240 0.5581 nan 0.0644 -0.0000
260 0.5557 nan 0.0644 -0.0001
280 0.5523 nan 0.0644 -0.0001
300 0.5497 nan 0.0644 -0.0001
320 0.5475 nan 0.0644 -0.0000
340 0.5452 nan 0.0644 -0.0000
360 0.5430 nan 0.0644 -0.0001
380 0.5407 nan 0.0644 -0.0000
400 0.5385 nan 0.0644 -0.0000
420 0.5370 nan 0.0644 -0.0001
440 0.5355 nan 0.0644 -0.0001
460 0.5340 nan 0.0644 -0.0001
480 0.5320 nan 0.0644 -0.0001
500 0.5304 nan 0.0644 -0.0001
520 0.5287 nan 0.0644 -0.0001
540 0.5270 nan 0.0644 -0.0001
560 0.5253 nan 0.0644 -0.0000
580 0.5239 nan 0.0644 -0.0001
600 0.5224 nan 0.0644 -0.0001
620 0.5211 nan 0.0644 -0.0001
640 0.5196 nan 0.0644 -0.0001
660 0.5181 nan 0.0644 -0.0001
680 0.5170 nan 0.0644 -0.0001
700 0.5158 nan 0.0644 -0.0001
720 0.5143 nan 0.0644 -0.0001
740 0.5131 nan 0.0644 -0.0000
760 0.5118 nan 0.0644 -0.0000
780 0.5106 nan 0.0644 -0.0001
800 0.5088 nan 0.0644 -0.0001
820 0.5078 nan 0.0644 -0.0001
840 0.5068 nan 0.0644 -0.0001
860 0.5054 nan 0.0644 -0.0001
880 0.5041 nan 0.0644 -0.0001
897 0.5031 nan 0.0644 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0546 nan 0.0662 0.0232
2 1.0168 nan 0.0662 0.0189
3 0.9851 nan 0.0662 0.0160
4 0.9572 nan 0.0662 0.0141
5 0.9332 nan 0.0662 0.0121
6 0.9117 nan 0.0662 0.0106
7 0.8924 nan 0.0662 0.0093
8 0.8753 nan 0.0662 0.0084
9 0.8604 nan 0.0662 0.0075
10 0.8472 nan 0.0662 0.0067
20 0.7474 nan 0.0662 0.0035
40 0.6678 nan 0.0662 0.0009
60 0.6349 nan 0.0662 0.0005
80 0.6163 nan 0.0662 0.0004
100 0.6051 nan 0.0662 0.0002
120 0.5981 nan 0.0662 0.0000
140 0.5922 nan 0.0662 0.0000
160 0.5873 nan 0.0662 0.0001
180 0.5828 nan 0.0662 -0.0000
200 0.5798 nan 0.0662 -0.0000
220 0.5759 nan 0.0662 0.0002
240 0.5736 nan 0.0662 0.0000
260 0.5711 nan 0.0662 0.0000
280 0.5689 nan 0.0662 0.0000
300 0.5666 nan 0.0662 -0.0001
320 0.5647 nan 0.0662 0.0000
340 0.5628 nan 0.0662 -0.0001
354 0.5616 nan 0.0662 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0550 nan 0.0663 0.0234
2 1.0168 nan 0.0663 0.0191
3 0.9843 nan 0.0663 0.0161
4 0.9566 nan 0.0663 0.0137
5 0.9309 nan 0.0663 0.0127
6 0.9095 nan 0.0663 0.0105
7 0.8903 nan 0.0663 0.0097
8 0.8732 nan 0.0663 0.0084
9 0.8584 nan 0.0663 0.0073
10 0.8439 nan 0.0663 0.0072
20 0.7471 nan 0.0663 0.0031
40 0.6646 nan 0.0663 0.0011
60 0.6317 nan 0.0663 0.0003
80 0.6145 nan 0.0663 0.0002
100 0.6019 nan 0.0663 0.0001
120 0.5933 nan 0.0663 0.0001
140 0.5869 nan 0.0663 -0.0000
160 0.5804 nan 0.0663 0.0001
180 0.5755 nan 0.0663 0.0001
200 0.5710 nan 0.0663 -0.0000
220 0.5676 nan 0.0663 -0.0000
240 0.5636 nan 0.0663 -0.0000
260 0.5602 nan 0.0663 -0.0000
280 0.5574 nan 0.0663 -0.0000
300 0.5544 nan 0.0663 -0.0000
320 0.5523 nan 0.0663 0.0000
340 0.5494 nan 0.0663 -0.0000
355 0.5478 nan 0.0663 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0633 nan 0.0685 0.0186
2 1.0324 nan 0.0685 0.0153
3 1.0056 nan 0.0685 0.0135
4 0.9829 nan 0.0685 0.0112
5 0.9619 nan 0.0685 0.0103
6 0.9399 nan 0.0685 0.0112
7 0.9228 nan 0.0685 0.0085
8 0.9050 nan 0.0685 0.0092
9 0.8923 nan 0.0685 0.0064
10 0.8773 nan 0.0685 0.0074
20 0.7908 nan 0.0685 0.0026
40 0.7088 nan 0.0685 0.0013
60 0.6683 nan 0.0685 0.0010
80 0.6463 nan 0.0685 0.0005
100 0.6328 nan 0.0685 0.0001
120 0.6234 nan 0.0685 0.0003
140 0.6162 nan 0.0685 0.0001
160 0.6111 nan 0.0685 0.0000
180 0.6063 nan 0.0685 0.0000
200 0.6025 nan 0.0685 0.0000
220 0.5993 nan 0.0685 -0.0000
240 0.5963 nan 0.0685 0.0000
260 0.5939 nan 0.0685 0.0000
280 0.5919 nan 0.0685 0.0000
300 0.5898 nan 0.0685 0.0000
320 0.5883 nan 0.0685 0.0000
340 0.5866 nan 0.0685 -0.0000
360 0.5851 nan 0.0685 -0.0000
380 0.5835 nan 0.0685 -0.0000
400 0.5821 nan 0.0685 -0.0000
406 0.5818 nan 0.0685 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0626 nan 0.0687 0.0188
2 1.0322 nan 0.0687 0.0153
3 1.0048 nan 0.0687 0.0136
4 0.9815 nan 0.0687 0.0115
5 0.9612 nan 0.0687 0.0099
6 0.9380 nan 0.0687 0.0119
7 0.9182 nan 0.0687 0.0099
8 0.9011 nan 0.0687 0.0088
9 0.8860 nan 0.0687 0.0074
10 0.8724 nan 0.0687 0.0068
20 0.7896 nan 0.0687 0.0034
40 0.7073 nan 0.0687 0.0013
60 0.6669 nan 0.0687 0.0008
80 0.6457 nan 0.0687 0.0003
100 0.6324 nan 0.0687 0.0001
120 0.6228 nan 0.0687 0.0001
140 0.6147 nan 0.0687 0.0002
160 0.6095 nan 0.0687 0.0000
180 0.6043 nan 0.0687 -0.0000
200 0.6002 nan 0.0687 0.0001
220 0.5970 nan 0.0687 -0.0000
240 0.5939 nan 0.0687 0.0000
260 0.5912 nan 0.0687 0.0001
280 0.5877 nan 0.0687 0.0000
300 0.5850 nan 0.0687 -0.0000
320 0.5827 nan 0.0687 -0.0000
340 0.5806 nan 0.0687 0.0001
360 0.5790 nan 0.0687 -0.0000
380 0.5772 nan 0.0687 -0.0000
400 0.5758 nan 0.0687 -0.0000
420 0.5739 nan 0.0687 -0.0000
440 0.5726 nan 0.0687 0.0000
460 0.5712 nan 0.0687 0.0000
480 0.5700 nan 0.0687 -0.0000
500 0.5687 nan 0.0687 0.0001
520 0.5675 nan 0.0687 -0.0001
540 0.5659 nan 0.0687 -0.0000
560 0.5651 nan 0.0687 -0.0000
580 0.5641 nan 0.0687 -0.0001
600 0.5624 nan 0.0687 -0.0000
620 0.5615 nan 0.0687 -0.0000
640 0.5602 nan 0.0687 -0.0000
660 0.5591 nan 0.0687 -0.0000
680 0.5583 nan 0.0687 -0.0000
700 0.5572 nan 0.0687 -0.0000
720 0.5562 nan 0.0687 -0.0000
740 0.5551 nan 0.0687 -0.0000
760 0.5542 nan 0.0687 -0.0000
780 0.5531 nan 0.0687 -0.0000
800 0.5521 nan 0.0687 -0.0000
820 0.5513 nan 0.0687 -0.0000
840 0.5505 nan 0.0687 -0.0000
860 0.5497 nan 0.0687 -0.0001
880 0.5490 nan 0.0687 -0.0000
881 0.5490 nan 0.0687 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0741 nan 0.0697 0.0134
2 1.0507 nan 0.0697 0.0116
3 1.0309 nan 0.0697 0.0101
4 1.0144 nan 0.0697 0.0080
5 0.9972 nan 0.0697 0.0086
6 0.9848 nan 0.0697 0.0058
7 0.9699 nan 0.0697 0.0074
8 0.9568 nan 0.0697 0.0064
9 0.9469 nan 0.0697 0.0048
10 0.9343 nan 0.0697 0.0061
20 0.8540 nan 0.0697 0.0035
40 0.7722 nan 0.0697 0.0014
60 0.7264 nan 0.0697 0.0009
80 0.6965 nan 0.0697 0.0004
100 0.6750 nan 0.0697 0.0005
120 0.6601 nan 0.0697 0.0003
140 0.6494 nan 0.0697 0.0002
160 0.6415 nan 0.0697 0.0002
180 0.6341 nan 0.0697 0.0002
200 0.6296 nan 0.0697 0.0000
220 0.6258 nan 0.0697 0.0000
240 0.6224 nan 0.0697 0.0001
260 0.6187 nan 0.0697 0.0000
280 0.6157 nan 0.0697 0.0000
300 0.6135 nan 0.0697 0.0000
320 0.6113 nan 0.0697 0.0001
340 0.6087 nan 0.0697 0.0000
360 0.6070 nan 0.0697 -0.0000
380 0.6054 nan 0.0697 -0.0000
400 0.6038 nan 0.0697 -0.0000
420 0.6026 nan 0.0697 -0.0000
440 0.6013 nan 0.0697 -0.0000
460 0.6000 nan 0.0697 0.0000
480 0.5986 nan 0.0697 0.0000
500 0.5971 nan 0.0697 0.0000
520 0.5962 nan 0.0697 -0.0000
540 0.5952 nan 0.0697 -0.0000
545 0.5950 nan 0.0697 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0493 nan 0.0714 0.0258
2 1.0073 nan 0.0714 0.0209
3 0.9724 nan 0.0714 0.0175
4 0.9423 nan 0.0714 0.0146
5 0.9165 nan 0.0714 0.0129
6 0.8931 nan 0.0714 0.0115
7 0.8732 nan 0.0714 0.0101
8 0.8555 nan 0.0714 0.0090
9 0.8395 nan 0.0714 0.0078
10 0.8247 nan 0.0714 0.0074
20 0.7269 nan 0.0714 0.0030
40 0.6485 nan 0.0714 0.0015
60 0.6183 nan 0.0714 0.0002
80 0.6012 nan 0.0714 0.0004
100 0.5902 nan 0.0714 0.0001
120 0.5819 nan 0.0714 -0.0000
140 0.5763 nan 0.0714 0.0001
160 0.5710 nan 0.0714 -0.0001
180 0.5666 nan 0.0714 -0.0000
200 0.5621 nan 0.0714 -0.0000
220 0.5582 nan 0.0714 0.0000
240 0.5549 nan 0.0714 -0.0000
260 0.5518 nan 0.0714 0.0001
280 0.5493 nan 0.0714 -0.0000
300 0.5468 nan 0.0714 -0.0000
320 0.5450 nan 0.0714 -0.0001
340 0.5431 nan 0.0714 -0.0001
360 0.5411 nan 0.0714 -0.0000
380 0.5387 nan 0.0714 -0.0001
400 0.5365 nan 0.0714 -0.0000
420 0.5348 nan 0.0714 0.0000
440 0.5331 nan 0.0714 -0.0001
460 0.5307 nan 0.0714 0.0001
473 0.5297 nan 0.0714 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0599 nan 0.0743 0.0200
2 1.0278 nan 0.0743 0.0165
3 0.9994 nan 0.0743 0.0141
4 0.9742 nan 0.0743 0.0122
5 0.9480 nan 0.0743 0.0133
6 0.9260 nan 0.0743 0.0111
7 0.9064 nan 0.0743 0.0096
8 0.8914 nan 0.0743 0.0076
9 0.8773 nan 0.0743 0.0068
10 0.8632 nan 0.0743 0.0073
20 0.7775 nan 0.0743 0.0025
40 0.7007 nan 0.0743 0.0012
60 0.6603 nan 0.0743 0.0006
80 0.6408 nan 0.0743 0.0003
100 0.6284 nan 0.0743 0.0001
120 0.6198 nan 0.0743 0.0001
140 0.6134 nan 0.0743 0.0000
160 0.6074 nan 0.0743 0.0000
180 0.6026 nan 0.0743 0.0000
185 0.6019 nan 0.0743 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0477 nan 0.0751 0.0263
2 1.0063 nan 0.0751 0.0207
3 0.9711 nan 0.0751 0.0176
4 0.9413 nan 0.0751 0.0147
5 0.9163 nan 0.0751 0.0125
6 0.8939 nan 0.0751 0.0113
7 0.8748 nan 0.0751 0.0095
8 0.8576 nan 0.0751 0.0085
9 0.8414 nan 0.0751 0.0081
10 0.8273 nan 0.0751 0.0069
20 0.7340 nan 0.0751 0.0030
40 0.6553 nan 0.0751 0.0008
60 0.6253 nan 0.0751 0.0007
80 0.6086 nan 0.0751 0.0001
100 0.5961 nan 0.0751 0.0004
120 0.5884 nan 0.0751 0.0001
140 0.5814 nan 0.0751 0.0001
160 0.5758 nan 0.0751 -0.0000
180 0.5707 nan 0.0751 -0.0000
200 0.5656 nan 0.0751 -0.0000
220 0.5615 nan 0.0751 -0.0000
225 0.5608 nan 0.0751 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0590 nan 0.0773 0.0208
2 1.0249 nan 0.0773 0.0167
3 0.9967 nan 0.0773 0.0141
4 0.9651 nan 0.0773 0.0158
5 0.9437 nan 0.0773 0.0105
6 0.9208 nan 0.0773 0.0113
7 0.9030 nan 0.0773 0.0085
8 0.8853 nan 0.0773 0.0089
9 0.8700 nan 0.0773 0.0079
10 0.8569 nan 0.0773 0.0066
20 0.7744 nan 0.0773 0.0027
40 0.6945 nan 0.0773 0.0014
60 0.6560 nan 0.0773 0.0006
80 0.6362 nan 0.0773 0.0004
100 0.6255 nan 0.0773 0.0002
120 0.6176 nan 0.0773 0.0001
140 0.6112 nan 0.0773 0.0000
160 0.6060 nan 0.0773 0.0000
180 0.6020 nan 0.0773 0.0000
200 0.5985 nan 0.0773 -0.0000
220 0.5954 nan 0.0773 -0.0000
240 0.5927 nan 0.0773 0.0000
260 0.5896 nan 0.0773 -0.0000
280 0.5873 nan 0.0773 -0.0000
300 0.5846 nan 0.0773 0.0000
320 0.5827 nan 0.0773 0.0000
340 0.5807 nan 0.0773 -0.0000
360 0.5792 nan 0.0773 -0.0000
380 0.5777 nan 0.0773 -0.0000
400 0.5765 nan 0.0773 -0.0000
420 0.5748 nan 0.0773 -0.0000
440 0.5733 nan 0.0773 -0.0000
460 0.5720 nan 0.0773 -0.0000
480 0.5709 nan 0.0773 -0.0000
500 0.5696 nan 0.0773 0.0001
520 0.5688 nan 0.0773 -0.0001
540 0.5675 nan 0.0773 -0.0001
560 0.5666 nan 0.0773 -0.0000
580 0.5656 nan 0.0773 -0.0000
600 0.5642 nan 0.0773 -0.0001
606 0.5640 nan 0.0773 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0709 nan 0.0774 0.0149
2 1.0451 nan 0.0774 0.0125
3 1.0232 nan 0.0774 0.0106
4 1.0046 nan 0.0774 0.0091
5 0.9871 nan 0.0774 0.0091
6 0.9737 nan 0.0774 0.0065
7 0.9583 nan 0.0774 0.0075
8 0.9446 nan 0.0774 0.0068
9 0.9345 nan 0.0774 0.0050
10 0.9221 nan 0.0774 0.0063
20 0.8413 nan 0.0774 0.0038
40 0.7601 nan 0.0774 0.0013
60 0.7142 nan 0.0774 0.0008
80 0.6862 nan 0.0774 0.0003
100 0.6660 nan 0.0774 0.0005
120 0.6520 nan 0.0774 0.0003
140 0.6424 nan 0.0774 0.0001
160 0.6351 nan 0.0774 0.0001
180 0.6300 nan 0.0774 -0.0000
200 0.6254 nan 0.0774 0.0001
220 0.6217 nan 0.0774 0.0000
240 0.6186 nan 0.0774 0.0000
260 0.6152 nan 0.0774 0.0000
280 0.6124 nan 0.0774 0.0000
300 0.6098 nan 0.0774 0.0000
320 0.6079 nan 0.0774 0.0000
340 0.6059 nan 0.0774 -0.0000
360 0.6042 nan 0.0774 -0.0000
380 0.6025 nan 0.0774 -0.0000
400 0.6008 nan 0.0774 0.0000
420 0.5994 nan 0.0774 0.0000
440 0.5983 nan 0.0774 -0.0000
460 0.5969 nan 0.0774 -0.0000
480 0.5958 nan 0.0774 -0.0000
500 0.5945 nan 0.0774 0.0000
520 0.5938 nan 0.0774 -0.0000
540 0.5929 nan 0.0774 0.0000
560 0.5922 nan 0.0774 -0.0000
580 0.5914 nan 0.0774 -0.0000
600 0.5908 nan 0.0774 -0.0000
620 0.5901 nan 0.0774 -0.0000
640 0.5894 nan 0.0774 -0.0000
660 0.5886 nan 0.0774 -0.0000
680 0.5878 nan 0.0774 -0.0000
700 0.5874 nan 0.0774 -0.0000
720 0.5870 nan 0.0774 -0.0000
735 0.5864 nan 0.0774 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0458 nan 0.0790 0.0269
2 1.0030 nan 0.0790 0.0216
3 0.9674 nan 0.0790 0.0176
4 0.9368 nan 0.0790 0.0153
5 0.9108 nan 0.0790 0.0128
6 0.8880 nan 0.0790 0.0113
7 0.8689 nan 0.0790 0.0096
8 0.8504 nan 0.0790 0.0093
9 0.8352 nan 0.0790 0.0076
10 0.8209 nan 0.0790 0.0073
20 0.7247 nan 0.0790 0.0032
40 0.6516 nan 0.0790 0.0009
60 0.6221 nan 0.0790 0.0003
80 0.6051 nan 0.0790 0.0005
100 0.5939 nan 0.0790 0.0000
120 0.5862 nan 0.0790 0.0001
140 0.5800 nan 0.0790 -0.0000
160 0.5747 nan 0.0790 0.0003
180 0.5703 nan 0.0790 -0.0001
200 0.5664 nan 0.0790 -0.0000
220 0.5630 nan 0.0790 -0.0000
240 0.5598 nan 0.0790 -0.0000
260 0.5563 nan 0.0790 -0.0001
280 0.5542 nan 0.0790 -0.0001
300 0.5518 nan 0.0790 -0.0000
320 0.5501 nan 0.0790 -0.0001
340 0.5483 nan 0.0790 0.0000
360 0.5463 nan 0.0790 -0.0001
380 0.5446 nan 0.0790 0.0000
388 0.5440 nan 0.0790 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0575 nan 0.0803 0.0219
2 1.0223 nan 0.0803 0.0173
3 0.9922 nan 0.0803 0.0152
4 0.9676 nan 0.0803 0.0118
5 0.9416 nan 0.0803 0.0128
6 0.9211 nan 0.0803 0.0100
7 0.9040 nan 0.0803 0.0085
8 0.8875 nan 0.0803 0.0081
9 0.8708 nan 0.0803 0.0087
10 0.8561 nan 0.0803 0.0075
20 0.7705 nan 0.0803 0.0030
40 0.6915 nan 0.0803 0.0010
60 0.6538 nan 0.0803 0.0005
80 0.6352 nan 0.0803 0.0003
100 0.6244 nan 0.0803 0.0001
120 0.6156 nan 0.0803 0.0003
140 0.6096 nan 0.0803 0.0001
160 0.6047 nan 0.0803 -0.0000
180 0.5998 nan 0.0803 0.0000
200 0.5957 nan 0.0803 -0.0000
220 0.5922 nan 0.0803 -0.0000
240 0.5894 nan 0.0803 -0.0001
260 0.5873 nan 0.0803 -0.0001
270 0.5865 nan 0.0803 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0507 nan 0.0808 0.0251
2 1.0084 nan 0.0808 0.0205
3 0.9736 nan 0.0808 0.0168
4 0.9442 nan 0.0808 0.0147
5 0.9157 nan 0.0808 0.0143
6 0.8946 nan 0.0808 0.0105
7 0.8752 nan 0.0808 0.0096
8 0.8583 nan 0.0808 0.0082
9 0.8411 nan 0.0808 0.0087
10 0.8271 nan 0.0808 0.0067
20 0.7379 nan 0.0808 0.0030
40 0.6623 nan 0.0808 0.0012
60 0.6324 nan 0.0808 0.0003
80 0.6156 nan 0.0808 0.0001
100 0.6046 nan 0.0808 0.0000
120 0.5970 nan 0.0808 0.0001
140 0.5908 nan 0.0808 0.0000
160 0.5856 nan 0.0808 0.0000
180 0.5818 nan 0.0808 0.0001
200 0.5778 nan 0.0808 -0.0001
220 0.5741 nan 0.0808 -0.0000
240 0.5713 nan 0.0808 0.0000
260 0.5687 nan 0.0808 -0.0001
280 0.5663 nan 0.0808 0.0001
300 0.5639 nan 0.0808 -0.0000
320 0.5622 nan 0.0808 -0.0001
340 0.5603 nan 0.0808 -0.0001
360 0.5583 nan 0.0808 -0.0001
380 0.5570 nan 0.0808 -0.0001
400 0.5548 nan 0.0808 -0.0000
420 0.5532 nan 0.0808 -0.0000
440 0.5513 nan 0.0808 -0.0000
460 0.5500 nan 0.0808 -0.0001
480 0.5485 nan 0.0808 -0.0001
500 0.5469 nan 0.0808 -0.0001
520 0.5459 nan 0.0808 -0.0001
540 0.5445 nan 0.0808 -0.0001
560 0.5427 nan 0.0808 -0.0000
580 0.5414 nan 0.0808 -0.0000
600 0.5405 nan 0.0808 -0.0000
620 0.5390 nan 0.0808 0.0001
640 0.5374 nan 0.0808 -0.0000
660 0.5364 nan 0.0808 -0.0001
680 0.5354 nan 0.0808 -0.0001
700 0.5345 nan 0.0808 -0.0000
720 0.5334 nan 0.0808 -0.0000
723 0.5332 nan 0.0808 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0487 nan 0.0838 0.0255
2 1.0059 nan 0.0838 0.0211
3 0.9703 nan 0.0838 0.0174
4 0.9402 nan 0.0838 0.0149
5 0.9119 nan 0.0838 0.0142
6 0.8909 nan 0.0838 0.0105
7 0.8707 nan 0.0838 0.0101
8 0.8545 nan 0.0838 0.0079
9 0.8375 nan 0.0838 0.0085
10 0.8221 nan 0.0838 0.0076
20 0.7326 nan 0.0838 0.0032
40 0.6607 nan 0.0838 0.0010
60 0.6303 nan 0.0838 0.0005
80 0.6157 nan 0.0838 0.0002
100 0.6055 nan 0.0838 0.0002
120 0.5989 nan 0.0838 0.0000
123 0.5979 nan 0.0838 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0400 nan 0.0840 0.0297
2 0.9933 nan 0.0840 0.0232
3 0.9549 nan 0.0840 0.0193
4 0.9230 nan 0.0840 0.0164
5 0.8961 nan 0.0840 0.0134
6 0.8720 nan 0.0840 0.0120
7 0.8518 nan 0.0840 0.0099
8 0.8340 nan 0.0840 0.0086
9 0.8182 nan 0.0840 0.0079
10 0.8023 nan 0.0840 0.0080
20 0.7067 nan 0.0840 0.0033
40 0.6359 nan 0.0840 0.0010
60 0.6083 nan 0.0840 0.0003
80 0.5923 nan 0.0840 0.0000
100 0.5827 nan 0.0840 0.0000
120 0.5752 nan 0.0840 0.0001
140 0.5685 nan 0.0840 0.0001
160 0.5632 nan 0.0840 -0.0000
180 0.5597 nan 0.0840 -0.0001
200 0.5558 nan 0.0840 -0.0000
220 0.5527 nan 0.0840 -0.0000
240 0.5494 nan 0.0840 0.0000
260 0.5467 nan 0.0840 -0.0001
280 0.5444 nan 0.0840 0.0000
300 0.5412 nan 0.0840 0.0001
320 0.5384 nan 0.0840 0.0001
340 0.5361 nan 0.0840 -0.0001
360 0.5338 nan 0.0840 -0.0001
380 0.5318 nan 0.0840 -0.0001
400 0.5301 nan 0.0840 -0.0000
420 0.5282 nan 0.0840 -0.0001
440 0.5262 nan 0.0840 -0.0001
460 0.5243 nan 0.0840 -0.0001
480 0.5225 nan 0.0840 -0.0000
500 0.5209 nan 0.0840 -0.0001
520 0.5195 nan 0.0840 -0.0001
540 0.5180 nan 0.0840 -0.0001
560 0.5167 nan 0.0840 -0.0001
580 0.5149 nan 0.0840 -0.0001
600 0.5131 nan 0.0840 -0.0000
620 0.5114 nan 0.0840 -0.0001
640 0.5098 nan 0.0840 -0.0001
660 0.5079 nan 0.0840 -0.0000
680 0.5061 nan 0.0840 -0.0001
700 0.5048 nan 0.0840 -0.0001
720 0.5036 nan 0.0840 -0.0001
740 0.5023 nan 0.0840 -0.0000
760 0.5011 nan 0.0840 -0.0001
780 0.4999 nan 0.0840 -0.0001
800 0.4987 nan 0.0840 -0.0001
820 0.4976 nan 0.0840 -0.0001
840 0.4963 nan 0.0840 -0.0000
860 0.4952 nan 0.0840 -0.0001
880 0.4940 nan 0.0840 -0.0001
900 0.4927 nan 0.0840 -0.0001
920 0.4917 nan 0.0840 -0.0001
939 0.4906 nan 0.0840 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0408 nan 0.0873 0.0300
2 0.9941 nan 0.0873 0.0232
3 0.9568 nan 0.0873 0.0191
4 0.9257 nan 0.0873 0.0156
5 0.8979 nan 0.0873 0.0139
6 0.8757 nan 0.0873 0.0108
7 0.8561 nan 0.0873 0.0099
8 0.8385 nan 0.0873 0.0082
9 0.8208 nan 0.0873 0.0088
10 0.8073 nan 0.0873 0.0068
20 0.7125 nan 0.0873 0.0036
40 0.6433 nan 0.0873 0.0006
60 0.6159 nan 0.0873 0.0003
80 0.6000 nan 0.0873 0.0001
100 0.5889 nan 0.0873 0.0001
120 0.5819 nan 0.0873 -0.0000
140 0.5751 nan 0.0873 -0.0001
160 0.5690 nan 0.0873 -0.0001
180 0.5654 nan 0.0873 -0.0000
200 0.5600 nan 0.0873 -0.0000
220 0.5559 nan 0.0873 -0.0000
240 0.5525 nan 0.0873 -0.0000
260 0.5487 nan 0.0873 0.0001
280 0.5460 nan 0.0873 -0.0000
300 0.5425 nan 0.0873 -0.0000
320 0.5396 nan 0.0873 -0.0000
340 0.5363 nan 0.0873 -0.0001
360 0.5332 nan 0.0873 -0.0001
380 0.5301 nan 0.0873 -0.0001
400 0.5280 nan 0.0873 -0.0001
420 0.5253 nan 0.0873 -0.0000
440 0.5225 nan 0.0873 -0.0001
442 0.5223 nan 0.0873 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0524 nan 0.0888 0.0237
2 1.0155 nan 0.0888 0.0185
3 0.9838 nan 0.0888 0.0157
4 0.9496 nan 0.0888 0.0170
5 0.9219 nan 0.0888 0.0139
6 0.9025 nan 0.0888 0.0095
7 0.8820 nan 0.0888 0.0105
8 0.8646 nan 0.0888 0.0088
9 0.8501 nan 0.0888 0.0073
10 0.8388 nan 0.0888 0.0058
20 0.7535 nan 0.0888 0.0028
40 0.6808 nan 0.0888 0.0009
60 0.6475 nan 0.0888 0.0007
80 0.6299 nan 0.0888 0.0002
100 0.6199 nan 0.0888 0.0001
120 0.6117 nan 0.0888 -0.0000
140 0.6050 nan 0.0888 0.0000
160 0.5999 nan 0.0888 -0.0000
180 0.5955 nan 0.0888 -0.0000
200 0.5914 nan 0.0888 0.0000
220 0.5881 nan 0.0888 -0.0000
240 0.5848 nan 0.0888 -0.0000
260 0.5822 nan 0.0888 0.0000
280 0.5802 nan 0.0888 -0.0000
300 0.5782 nan 0.0888 -0.0001
320 0.5757 nan 0.0888 0.0000
340 0.5742 nan 0.0888 0.0000
346 0.5739 nan 0.0888 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0398 nan 0.0896 0.0305
2 0.9915 nan 0.0896 0.0236
3 0.9542 nan 0.0896 0.0193
4 0.9217 nan 0.0896 0.0162
5 0.8949 nan 0.0896 0.0133
6 0.8716 nan 0.0896 0.0116
7 0.8521 nan 0.0896 0.0097
8 0.8332 nan 0.0896 0.0095
9 0.8192 nan 0.0896 0.0068
10 0.8056 nan 0.0896 0.0066
20 0.7095 nan 0.0896 0.0032
40 0.6402 nan 0.0896 0.0009
60 0.6124 nan 0.0896 0.0006
80 0.5969 nan 0.0896 0.0001
100 0.5875 nan 0.0896 0.0001
120 0.5800 nan 0.0896 -0.0000
140 0.5745 nan 0.0896 -0.0000
160 0.5695 nan 0.0896 0.0000
180 0.5645 nan 0.0896 0.0000
200 0.5608 nan 0.0896 0.0000
220 0.5576 nan 0.0896 -0.0000
240 0.5546 nan 0.0896 -0.0001
256 0.5526 nan 0.0896 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0373 nan 0.0902 0.0311
2 0.9911 nan 0.0902 0.0232
3 0.9523 nan 0.0902 0.0199
4 0.9204 nan 0.0902 0.0157
5 0.8924 nan 0.0902 0.0137
6 0.8696 nan 0.0902 0.0114
7 0.8487 nan 0.0902 0.0105
8 0.8313 nan 0.0902 0.0085
9 0.8171 nan 0.0902 0.0071
10 0.8040 nan 0.0902 0.0062
20 0.7119 nan 0.0902 0.0028
40 0.6398 nan 0.0902 0.0007
60 0.6140 nan 0.0902 0.0003
80 0.6013 nan 0.0902 0.0001
100 0.5922 nan 0.0902 0.0002
120 0.5851 nan 0.0902 0.0001
140 0.5792 nan 0.0902 0.0000
160 0.5745 nan 0.0902 -0.0000
180 0.5697 nan 0.0902 -0.0001
200 0.5660 nan 0.0902 -0.0001
220 0.5624 nan 0.0902 0.0000
240 0.5595 nan 0.0902 -0.0000
260 0.5571 nan 0.0902 -0.0001
280 0.5544 nan 0.0902 -0.0001
300 0.5525 nan 0.0902 -0.0001
320 0.5501 nan 0.0902 -0.0000
340 0.5482 nan 0.0902 -0.0000
360 0.5464 nan 0.0902 -0.0001
380 0.5445 nan 0.0902 -0.0001
400 0.5428 nan 0.0902 -0.0001
420 0.5408 nan 0.0902 -0.0001
440 0.5391 nan 0.0902 -0.0001
460 0.5375 nan 0.0902 -0.0001
480 0.5359 nan 0.0902 -0.0001
500 0.5346 nan 0.0902 -0.0001
520 0.5336 nan 0.0902 -0.0001
540 0.5324 nan 0.0902 -0.0001
560 0.5311 nan 0.0902 -0.0001
580 0.5299 nan 0.0902 -0.0001
600 0.5287 nan 0.0902 -0.0001
620 0.5274 nan 0.0902 -0.0001
640 0.5266 nan 0.0902 -0.0001
648 0.5261 nan 0.0902 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0414 nan 0.0960 0.0295
2 0.9951 nan 0.0960 0.0226
3 0.9569 nan 0.0960 0.0194
4 0.9247 nan 0.0960 0.0161
5 0.8987 nan 0.0960 0.0129
6 0.8728 nan 0.0960 0.0130
7 0.8504 nan 0.0960 0.0110
8 0.8317 nan 0.0960 0.0093
9 0.8156 nan 0.0960 0.0082
10 0.8035 nan 0.0960 0.0058
20 0.7184 nan 0.0960 0.0028
40 0.6493 nan 0.0960 0.0009
60 0.6218 nan 0.0960 0.0001
80 0.6075 nan 0.0960 0.0004
100 0.5970 nan 0.0960 0.0003
120 0.5899 nan 0.0960 0.0000
140 0.5827 nan 0.0960 0.0002
160 0.5777 nan 0.0960 -0.0000
180 0.5728 nan 0.0960 -0.0000
200 0.5683 nan 0.0960 -0.0001
220 0.5656 nan 0.0960 0.0001
240 0.5625 nan 0.0960 0.0000
260 0.5596 nan 0.0960 -0.0000
280 0.5572 nan 0.0960 -0.0001
300 0.5556 nan 0.0960 -0.0001
320 0.5529 nan 0.0960 -0.0001
340 0.5504 nan 0.0960 -0.0001
360 0.5488 nan 0.0960 -0.0001
380 0.5467 nan 0.0960 -0.0000
400 0.5446 nan 0.0960 -0.0001
420 0.5423 nan 0.0960 -0.0000
440 0.5408 nan 0.0960 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0635 nan 0.0965 0.0183
2 1.0341 nan 0.0965 0.0149
3 1.0099 nan 0.0965 0.0122
4 0.9885 nan 0.0965 0.0105
5 0.9688 nan 0.0965 0.0098
6 0.9539 nan 0.0965 0.0073
7 0.9373 nan 0.0965 0.0083
8 0.9216 nan 0.0965 0.0079
9 0.9109 nan 0.0965 0.0053
10 0.8986 nan 0.0965 0.0064
20 0.8153 nan 0.0965 0.0035
40 0.7331 nan 0.0965 0.0018
60 0.6917 nan 0.0965 0.0009
80 0.6674 nan 0.0965 0.0004
100 0.6496 nan 0.0965 0.0004
120 0.6404 nan 0.0965 0.0000
140 0.6310 nan 0.0965 0.0001
160 0.6246 nan 0.0965 0.0001
180 0.6202 nan 0.0965 0.0000
200 0.6168 nan 0.0965 0.0000
220 0.6131 nan 0.0965 0.0002
240 0.6106 nan 0.0965 0.0000
260 0.6076 nan 0.0965 -0.0000
280 0.6049 nan 0.0965 0.0001
300 0.6029 nan 0.0965 -0.0000
320 0.6010 nan 0.0965 -0.0000
340 0.5996 nan 0.0965 0.0000
360 0.5977 nan 0.0965 -0.0000
380 0.5962 nan 0.0965 0.0000
400 0.5946 nan 0.0965 -0.0000
420 0.5935 nan 0.0965 -0.0000
440 0.5923 nan 0.0965 -0.0001
460 0.5913 nan 0.0965 0.0000
480 0.5904 nan 0.0965 -0.0000
500 0.5896 nan 0.0965 -0.0000
520 0.5889 nan 0.0965 -0.0000
540 0.5882 nan 0.0965 -0.0001
560 0.5873 nan 0.0965 -0.0000
580 0.5865 nan 0.0965 -0.0000
600 0.5856 nan 0.0965 -0.0000
620 0.5851 nan 0.0965 -0.0000
640 0.5846 nan 0.0965 -0.0000
660 0.5843 nan 0.0965 -0.0000
680 0.5837 nan 0.0965 -0.0001
700 0.5833 nan 0.0965 -0.0000
720 0.5828 nan 0.0965 -0.0000
740 0.5825 nan 0.0965 -0.0000
759 0.5821 nan 0.0965 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0401 nan 0.0983 0.0308
2 0.9926 nan 0.0983 0.0239
3 0.9538 nan 0.0983 0.0194
4 0.9215 nan 0.0983 0.0160
5 0.8912 nan 0.0983 0.0152
6 0.8699 nan 0.0983 0.0106
7 0.8508 nan 0.0983 0.0094
8 0.8312 nan 0.0983 0.0096
9 0.8143 nan 0.0983 0.0082
10 0.7990 nan 0.0983 0.0075
20 0.7139 nan 0.0983 0.0033
40 0.6473 nan 0.0983 0.0012
60 0.6222 nan 0.0983 -0.0000
80 0.6069 nan 0.0983 0.0003
100 0.5949 nan 0.0983 0.0001
120 0.5878 nan 0.0983 0.0001
140 0.5819 nan 0.0983 -0.0001
160 0.5767 nan 0.0983 -0.0001
180 0.5730 nan 0.0983 -0.0000
200 0.5682 nan 0.0983 0.0000
220 0.5653 nan 0.0983 -0.0000
240 0.5628 nan 0.0983 -0.0001
260 0.5604 nan 0.0983 0.0000
280 0.5579 nan 0.0983 -0.0001
300 0.5553 nan 0.0983 -0.0000
320 0.5529 nan 0.0983 -0.0000
336 0.5515 nan 0.0983 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0622 nan 0.1014 0.0192
2 1.0306 nan 0.1014 0.0154
3 1.0052 nan 0.1014 0.0124
4 0.9824 nan 0.1014 0.0112
5 0.9635 nan 0.1014 0.0091
6 0.9440 nan 0.1014 0.0097
7 0.9295 nan 0.1014 0.0072
8 0.9133 nan 0.1014 0.0078
9 0.8998 nan 0.1014 0.0064
10 0.8895 nan 0.1014 0.0049
20 0.8065 nan 0.1014 0.0026
40 0.7276 nan 0.1014 0.0009
60 0.6853 nan 0.1014 0.0010
80 0.6607 nan 0.1014 0.0006
100 0.6457 nan 0.1014 0.0002
120 0.6361 nan 0.1014 0.0003
140 0.6288 nan 0.1014 0.0000
160 0.6233 nan 0.1014 0.0002
180 0.6188 nan 0.1014 0.0001
200 0.6142 nan 0.1014 -0.0000
220 0.6112 nan 0.1014 -0.0000
240 0.6087 nan 0.1014 -0.0000
260 0.6063 nan 0.1014 0.0000
280 0.6038 nan 0.1014 -0.0000
300 0.6018 nan 0.1014 -0.0000
320 0.5998 nan 0.1014 -0.0000
340 0.5984 nan 0.1014 -0.0000
360 0.5970 nan 0.1014 -0.0000
380 0.5958 nan 0.1014 -0.0000
400 0.5949 nan 0.1014 -0.0000
420 0.5940 nan 0.1014 0.0000
440 0.5930 nan 0.1014 -0.0000
460 0.5920 nan 0.1014 -0.0000
480 0.5912 nan 0.1014 0.0000
500 0.5905 nan 0.1014 -0.0000
520 0.5897 nan 0.1014 -0.0000
540 0.5892 nan 0.1014 -0.0000
560 0.5885 nan 0.1014 -0.0000
580 0.5881 nan 0.1014 -0.0000
600 0.5874 nan 0.1014 0.0000
620 0.5868 nan 0.1014 -0.0000
640 0.5862 nan 0.1014 -0.0000
660 0.5858 nan 0.1014 -0.0000
680 0.5853 nan 0.1014 -0.0000
700 0.5847 nan 0.1014 -0.0000
720 0.5843 nan 0.1014 -0.0000
740 0.5837 nan 0.1014 -0.0000
760 0.5833 nan 0.1014 -0.0000
780 0.5830 nan 0.1014 -0.0000
800 0.5827 nan 0.1014 -0.0001
820 0.5822 nan 0.1014 -0.0000
840 0.5818 nan 0.1014 -0.0000
860 0.5816 nan 0.1014 -0.0001
880 0.5812 nan 0.1014 -0.0000
896 0.5810 nan 0.1014 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0386 nan 0.1018 0.0308
2 0.9905 nan 0.1018 0.0233
3 0.9502 nan 0.1018 0.0199
4 0.9175 nan 0.1018 0.0160
5 0.8907 nan 0.1018 0.0137
6 0.8652 nan 0.1018 0.0128
7 0.8453 nan 0.1018 0.0101
8 0.8260 nan 0.1018 0.0094
9 0.8114 nan 0.1018 0.0073
10 0.7982 nan 0.1018 0.0065
20 0.7129 nan 0.1018 0.0024
40 0.6451 nan 0.1018 0.0012
60 0.6188 nan 0.1018 0.0006
80 0.6050 nan 0.1018 0.0003
100 0.5953 nan 0.1018 0.0000
120 0.5885 nan 0.1018 0.0000
140 0.5820 nan 0.1018 0.0002
160 0.5770 nan 0.1018 -0.0000
180 0.5733 nan 0.1018 -0.0000
200 0.5702 nan 0.1018 -0.0000
220 0.5671 nan 0.1018 -0.0001
240 0.5647 nan 0.1018 -0.0001
260 0.5620 nan 0.1018 -0.0000
280 0.5598 nan 0.1018 -0.0001
300 0.5576 nan 0.1018 0.0000
302 0.5573 nan 0.1018 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0470 nan 0.1024 0.0272
2 1.0059 nan 0.1024 0.0206
3 0.9708 nan 0.1024 0.0175
4 0.9366 nan 0.1024 0.0169
5 0.9093 nan 0.1024 0.0137
6 0.8864 nan 0.1024 0.0115
7 0.8696 nan 0.1024 0.0082
8 0.8517 nan 0.1024 0.0089
9 0.8394 nan 0.1024 0.0061
10 0.8259 nan 0.1024 0.0067
20 0.7397 nan 0.1024 0.0028
40 0.6678 nan 0.1024 0.0014
60 0.6392 nan 0.1024 0.0002
80 0.6238 nan 0.1024 0.0004
100 0.6127 nan 0.1024 0.0000
120 0.6047 nan 0.1024 0.0001
140 0.5993 nan 0.1024 -0.0000
160 0.5943 nan 0.1024 0.0001
180 0.5902 nan 0.1024 0.0001
200 0.5865 nan 0.1024 -0.0000
220 0.5825 nan 0.1024 -0.0001
240 0.5798 nan 0.1024 -0.0000
260 0.5769 nan 0.1024 -0.0000
280 0.5748 nan 0.1024 -0.0000
300 0.5730 nan 0.1024 -0.0000
320 0.5706 nan 0.1024 -0.0001
340 0.5686 nan 0.1024 -0.0001
360 0.5672 nan 0.1024 -0.0000
380 0.5653 nan 0.1024 0.0000
400 0.5637 nan 0.1024 -0.0001
420 0.5620 nan 0.1024 -0.0001
440 0.5596 nan 0.1024 0.0000
460 0.5584 nan 0.1024 -0.0000
480 0.5574 nan 0.1024 -0.0000
500 0.5560 nan 0.1024 -0.0000
520 0.5547 nan 0.1024 -0.0001
540 0.5537 nan 0.1024 -0.0000
560 0.5527 nan 0.1024 -0.0001
580 0.5517 nan 0.1024 0.0000
600 0.5509 nan 0.1024 -0.0001
620 0.5497 nan 0.1024 -0.0001
640 0.5492 nan 0.1024 -0.0000
660 0.5484 nan 0.1024 -0.0001
680 0.5477 nan 0.1024 -0.0000
700 0.5468 nan 0.1024 -0.0001
720 0.5460 nan 0.1024 -0.0001
740 0.5449 nan 0.1024 -0.0001
760 0.5443 nan 0.1024 -0.0000
780 0.5437 nan 0.1024 -0.0000
800 0.5431 nan 0.1024 -0.0000
820 0.5423 nan 0.1024 -0.0001
840 0.5417 nan 0.1024 -0.0001
851 0.5411 nan 0.1024 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0385 nan 0.1035 0.0313
2 0.9896 nan 0.1035 0.0240
3 0.9494 nan 0.1035 0.0200
4 0.9161 nan 0.1035 0.0161
5 0.8857 nan 0.1035 0.0151
6 0.8632 nan 0.1035 0.0112
7 0.8424 nan 0.1035 0.0104
8 0.8235 nan 0.1035 0.0094
9 0.8073 nan 0.1035 0.0082
10 0.7936 nan 0.1035 0.0067
20 0.7086 nan 0.1035 0.0029
40 0.6437 nan 0.1035 0.0007
60 0.6187 nan 0.1035 0.0004
80 0.6031 nan 0.1035 0.0001
100 0.5928 nan 0.1035 0.0000
120 0.5857 nan 0.1035 0.0001
140 0.5796 nan 0.1035 -0.0000
160 0.5746 nan 0.1035 0.0000
180 0.5704 nan 0.1035 -0.0000
190 0.5684 nan 0.1035 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0378 nan 0.1036 0.0316
2 0.9893 nan 0.1036 0.0236
3 0.9469 nan 0.1036 0.0207
4 0.9153 nan 0.1036 0.0155
5 0.8887 nan 0.1036 0.0129
6 0.8624 nan 0.1036 0.0129
7 0.8400 nan 0.1036 0.0111
8 0.8209 nan 0.1036 0.0096
9 0.8064 nan 0.1036 0.0072
10 0.7910 nan 0.1036 0.0075
20 0.7086 nan 0.1036 0.0021
40 0.6431 nan 0.1036 0.0011
60 0.6179 nan 0.1036 0.0006
80 0.6038 nan 0.1036 0.0001
100 0.5938 nan 0.1036 -0.0000
120 0.5875 nan 0.1036 -0.0001
140 0.5813 nan 0.1036 0.0000
160 0.5766 nan 0.1036 -0.0000
180 0.5724 nan 0.1036 0.0000
200 0.5690 nan 0.1036 -0.0001
220 0.5653 nan 0.1036 0.0001
240 0.5621 nan 0.1036 -0.0000
260 0.5604 nan 0.1036 -0.0000
280 0.5579 nan 0.1036 -0.0001
300 0.5550 nan 0.1036 -0.0001
320 0.5526 nan 0.1036 -0.0001
340 0.5508 nan 0.1036 -0.0000
360 0.5489 nan 0.1036 -0.0001
380 0.5473 nan 0.1036 -0.0001
400 0.5456 nan 0.1036 -0.0001
420 0.5441 nan 0.1036 -0.0001
440 0.5427 nan 0.1036 -0.0000
460 0.5415 nan 0.1036 0.0001
480 0.5397 nan 0.1036 -0.0001
500 0.5385 nan 0.1036 -0.0001
520 0.5369 nan 0.1036 0.0000
540 0.5358 nan 0.1036 -0.0000
560 0.5345 nan 0.1036 -0.0001
580 0.5336 nan 0.1036 -0.0001
600 0.5324 nan 0.1036 -0.0001
620 0.5308 nan 0.1036 -0.0001
640 0.5293 nan 0.1036 0.0001
660 0.5281 nan 0.1036 -0.0001
677 0.5272 nan 0.1036 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0260 nan 0.1079 0.0362
2 0.9732 nan 0.1079 0.0262
3 0.9317 nan 0.1079 0.0208
4 0.8972 nan 0.1079 0.0172
5 0.8695 nan 0.1079 0.0138
6 0.8449 nan 0.1079 0.0124
7 0.8239 nan 0.1079 0.0104
8 0.8062 nan 0.1079 0.0084
9 0.7917 nan 0.1079 0.0071
10 0.7761 nan 0.1079 0.0074
20 0.6852 nan 0.1079 0.0025
40 0.6272 nan 0.1079 0.0004
60 0.6045 nan 0.1079 0.0004
80 0.5904 nan 0.1079 0.0002
100 0.5819 nan 0.1079 0.0000
120 0.5752 nan 0.1079 0.0000
140 0.5697 nan 0.1079 -0.0001
160 0.5652 nan 0.1079 -0.0000
180 0.5611 nan 0.1079 -0.0000
200 0.5576 nan 0.1079 -0.0001
220 0.5549 nan 0.1079 -0.0001
240 0.5512 nan 0.1079 -0.0001
260 0.5482 nan 0.1079 -0.0001
280 0.5456 nan 0.1079 -0.0001
300 0.5426 nan 0.1079 -0.0001
320 0.5402 nan 0.1079 -0.0001
340 0.5383 nan 0.1079 -0.0001
360 0.5364 nan 0.1079 -0.0001
380 0.5349 nan 0.1079 -0.0001
400 0.5335 nan 0.1079 -0.0000
419 0.5319 nan 0.1079 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0340 nan 0.1099 0.0338
2 0.9833 nan 0.1099 0.0254
3 0.9425 nan 0.1099 0.0205
4 0.9084 nan 0.1099 0.0166
5 0.8778 nan 0.1099 0.0153
6 0.8551 nan 0.1099 0.0113
7 0.8325 nan 0.1099 0.0114
8 0.8140 nan 0.1099 0.0089
9 0.7975 nan 0.1099 0.0080
10 0.7830 nan 0.1099 0.0068
20 0.7035 nan 0.1099 0.0030
40 0.6408 nan 0.1099 0.0008
60 0.6168 nan 0.1099 0.0003
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0329 nan 0.1114 0.0328
2 0.9819 nan 0.1114 0.0250
3 0.9400 nan 0.1114 0.0208
4 0.9056 nan 0.1114 0.0166
5 0.8778 nan 0.1114 0.0140
6 0.8552 nan 0.1114 0.0110
7 0.8322 nan 0.1114 0.0114
8 0.8159 nan 0.1114 0.0078
9 0.7988 nan 0.1114 0.0082
10 0.7882 nan 0.1114 0.0051
20 0.7044 nan 0.1114 0.0020
40 0.6405 nan 0.1114 0.0005
60 0.6177 nan 0.1114 0.0003
80 0.6040 nan 0.1114 0.0003
100 0.5956 nan 0.1114 0.0001
120 0.5887 nan 0.1114 0.0000
140 0.5826 nan 0.1114 0.0001
160 0.5785 nan 0.1114 0.0001
180 0.5741 nan 0.1114 -0.0000
200 0.5702 nan 0.1114 -0.0000
220 0.5672 nan 0.1114 -0.0001
240 0.5640 nan 0.1114 -0.0000
260 0.5614 nan 0.1114 -0.0000
280 0.5595 nan 0.1114 -0.0001
300 0.5572 nan 0.1114 -0.0001
320 0.5548 nan 0.1114 -0.0001
340 0.5527 nan 0.1114 -0.0001
360 0.5514 nan 0.1114 -0.0001
380 0.5503 nan 0.1114 -0.0001
400 0.5487 nan 0.1114 -0.0000
420 0.5471 nan 0.1114 -0.0001
440 0.5455 nan 0.1114 -0.0000
460 0.5440 nan 0.1114 -0.0000
480 0.5426 nan 0.1114 -0.0000
500 0.5411 nan 0.1114 -0.0001
520 0.5397 nan 0.1114 -0.0001
540 0.5386 nan 0.1114 -0.0000
560 0.5375 nan 0.1114 -0.0001
580 0.5363 nan 0.1114 -0.0000
600 0.5353 nan 0.1114 -0.0001
620 0.5342 nan 0.1114 -0.0000
640 0.5332 nan 0.1114 0.0000
660 0.5320 nan 0.1114 -0.0001
680 0.5311 nan 0.1114 -0.0001
685 0.5309 nan 0.1114 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0577 nan 0.1122 0.0211
2 1.0254 nan 0.1122 0.0165
3 0.9985 nan 0.1122 0.0132
4 0.9738 nan 0.1122 0.0121
5 0.9524 nan 0.1122 0.0101
6 0.9324 nan 0.1122 0.0097
7 0.9173 nan 0.1122 0.0079
8 0.9013 nan 0.1122 0.0077
9 0.8901 nan 0.1122 0.0055
10 0.8764 nan 0.1122 0.0067
20 0.7943 nan 0.1122 0.0029
40 0.7165 nan 0.1122 0.0015
60 0.6766 nan 0.1122 0.0005
80 0.6538 nan 0.1122 0.0004
100 0.6405 nan 0.1122 0.0004
120 0.6314 nan 0.1122 0.0001
140 0.6242 nan 0.1122 0.0002
160 0.6189 nan 0.1122 0.0001
180 0.6148 nan 0.1122 0.0000
200 0.6108 nan 0.1122 0.0000
220 0.6071 nan 0.1122 0.0001
240 0.6047 nan 0.1122 -0.0000
260 0.6019 nan 0.1122 0.0001
280 0.5999 nan 0.1122 -0.0000
300 0.5982 nan 0.1122 0.0000
320 0.5964 nan 0.1122 0.0000
340 0.5949 nan 0.1122 -0.0000
360 0.5937 nan 0.1122 -0.0001
380 0.5927 nan 0.1122 0.0000
400 0.5914 nan 0.1122 -0.0000
420 0.5902 nan 0.1122 -0.0001
440 0.5892 nan 0.1122 0.0000
460 0.5883 nan 0.1122 -0.0001
480 0.5878 nan 0.1122 -0.0001
500 0.5872 nan 0.1122 -0.0001
520 0.5865 nan 0.1122 0.0000
540 0.5858 nan 0.1122 -0.0001
560 0.5849 nan 0.1122 -0.0000
580 0.5841 nan 0.1122 -0.0000
600 0.5836 nan 0.1122 -0.0000
615 0.5829 nan 0.1122 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0363 nan 0.1211 0.0315
2 0.9898 nan 0.1211 0.0234
3 0.9516 nan 0.1211 0.0192
4 0.9152 nan 0.1211 0.0183
5 0.8863 nan 0.1211 0.0145
6 0.8648 nan 0.1211 0.0103
7 0.8452 nan 0.1211 0.0099
8 0.8303 nan 0.1211 0.0073
9 0.8180 nan 0.1211 0.0057
10 0.8043 nan 0.1211 0.0067
20 0.7234 nan 0.1211 0.0027
40 0.6533 nan 0.1211 0.0009
60 0.6302 nan 0.1211 0.0002
80 0.6163 nan 0.1211 0.0002
100 0.6076 nan 0.1211 0.0000
120 0.6001 nan 0.1211 0.0000
140 0.5945 nan 0.1211 0.0000
160 0.5906 nan 0.1211 -0.0001
180 0.5868 nan 0.1211 0.0001
200 0.5832 nan 0.1211 -0.0001
220 0.5807 nan 0.1211 -0.0001
240 0.5780 nan 0.1211 -0.0000
260 0.5754 nan 0.1211 -0.0000
280 0.5733 nan 0.1211 -0.0001
300 0.5715 nan 0.1211 -0.0001
320 0.5698 nan 0.1211 -0.0001
340 0.5676 nan 0.1211 0.0000
360 0.5657 nan 0.1211 -0.0000
380 0.5644 nan 0.1211 -0.0000
400 0.5630 nan 0.1211 -0.0001
420 0.5615 nan 0.1211 -0.0001
440 0.5605 nan 0.1211 -0.0001
460 0.5596 nan 0.1211 -0.0001
480 0.5585 nan 0.1211 -0.0001
500 0.5577 nan 0.1211 -0.0001
520 0.5567 nan 0.1211 -0.0001
540 0.5555 nan 0.1211 -0.0001
560 0.5543 nan 0.1211 -0.0000
580 0.5535 nan 0.1211 -0.0000
600 0.5520 nan 0.1211 -0.0001
620 0.5511 nan 0.1211 -0.0001
640 0.5503 nan 0.1211 -0.0001
660 0.5493 nan 0.1211 -0.0001
680 0.5485 nan 0.1211 -0.0000
700 0.5477 nan 0.1211 -0.0001
720 0.5467 nan 0.1211 -0.0001
740 0.5458 nan 0.1211 -0.0001
760 0.5450 nan 0.1211 -0.0001
780 0.5441 nan 0.1211 -0.0001
800 0.5435 nan 0.1211 -0.0000
820 0.5424 nan 0.1211 -0.0001
840 0.5417 nan 0.1211 -0.0000
848 0.5414 nan 0.1211 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0132 nan 0.1273 0.0444
2 0.9515 nan 0.1273 0.0308
3 0.9043 nan 0.1273 0.0237
4 0.8673 nan 0.1273 0.0180
5 0.8374 nan 0.1273 0.0145
6 0.8135 nan 0.1273 0.0116
7 0.7928 nan 0.1273 0.0102
8 0.7734 nan 0.1273 0.0094
9 0.7562 nan 0.1273 0.0085
10 0.7417 nan 0.1273 0.0068
20 0.6592 nan 0.1273 0.0019
40 0.6089 nan 0.1273 0.0004
60 0.5877 nan 0.1273 0.0000
80 0.5764 nan 0.1273 0.0004
100 0.5687 nan 0.1273 -0.0001
120 0.5622 nan 0.1273 -0.0000
140 0.5569 nan 0.1273 -0.0001
160 0.5523 nan 0.1273 0.0004
180 0.5481 nan 0.1273 -0.0002
200 0.5437 nan 0.1273 -0.0001
220 0.5407 nan 0.1273 -0.0001
240 0.5369 nan 0.1273 -0.0001
260 0.5337 nan 0.1273 0.0003
280 0.5310 nan 0.1273 -0.0001
300 0.5284 nan 0.1273 -0.0002
320 0.5254 nan 0.1273 -0.0001
340 0.5229 nan 0.1273 -0.0001
360 0.5209 nan 0.1273 -0.0001
380 0.5187 nan 0.1273 -0.0001
400 0.5165 nan 0.1273 -0.0000
420 0.5145 nan 0.1273 -0.0001
440 0.5122 nan 0.1273 -0.0001
460 0.5102 nan 0.1273 -0.0002
480 0.5085 nan 0.1273 -0.0001
500 0.5069 nan 0.1273 -0.0001
520 0.5052 nan 0.1273 -0.0000
540 0.5036 nan 0.1273 -0.0001
560 0.5018 nan 0.1273 -0.0001
580 0.5000 nan 0.1273 -0.0001
600 0.4983 nan 0.1273 0.0000
620 0.4966 nan 0.1273 -0.0002
638 0.4951 nan 0.1273 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0241 nan 0.1282 0.0372
2 0.9661 nan 0.1282 0.0291
3 0.9225 nan 0.1282 0.0217
4 0.8877 nan 0.1282 0.0174
5 0.8595 nan 0.1282 0.0139
6 0.8361 nan 0.1282 0.0114
7 0.8155 nan 0.1282 0.0100
8 0.7980 nan 0.1282 0.0082
9 0.7814 nan 0.1282 0.0082
10 0.7682 nan 0.1282 0.0064
20 0.6850 nan 0.1282 0.0029
40 0.6294 nan 0.1282 0.0010
60 0.6081 nan 0.1282 0.0002
80 0.5963 nan 0.1282 0.0001
100 0.5887 nan 0.1282 -0.0001
120 0.5818 nan 0.1282 0.0001
140 0.5765 nan 0.1282 0.0002
156 0.5728 nan 0.1282 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0128 nan 0.1284 0.0427
2 0.9546 nan 0.1284 0.0291
3 0.9082 nan 0.1284 0.0226
4 0.8732 nan 0.1284 0.0172
5 0.8444 nan 0.1284 0.0141
6 0.8225 nan 0.1284 0.0107
7 0.8035 nan 0.1284 0.0091
8 0.7862 nan 0.1284 0.0085
9 0.7706 nan 0.1284 0.0077
10 0.7549 nan 0.1284 0.0077
20 0.6693 nan 0.1284 0.0033
40 0.6174 nan 0.1284 0.0005
60 0.5988 nan 0.1284 0.0001
80 0.5874 nan 0.1284 0.0001
100 0.5792 nan 0.1284 -0.0000
120 0.5735 nan 0.1284 -0.0001
140 0.5678 nan 0.1284 -0.0000
160 0.5628 nan 0.1284 -0.0001
180 0.5583 nan 0.1284 -0.0000
200 0.5547 nan 0.1284 -0.0000
220 0.5512 nan 0.1284 0.0002
240 0.5482 nan 0.1284 -0.0001
260 0.5458 nan 0.1284 -0.0001
280 0.5433 nan 0.1284 0.0002
300 0.5409 nan 0.1284 -0.0000
320 0.5383 nan 0.1284 -0.0002
340 0.5360 nan 0.1284 -0.0001
360 0.5331 nan 0.1284 -0.0001
380 0.5315 nan 0.1284 -0.0001
400 0.5299 nan 0.1284 -0.0000
420 0.5278 nan 0.1284 -0.0002
440 0.5263 nan 0.1284 -0.0001
460 0.5249 nan 0.1284 -0.0001
480 0.5235 nan 0.1284 -0.0001
500 0.5218 nan 0.1284 -0.0001
520 0.5203 nan 0.1284 -0.0001
540 0.5192 nan 0.1284 -0.0001
560 0.5174 nan 0.1284 -0.0001
580 0.5158 nan 0.1284 -0.0001
600 0.5141 nan 0.1284 -0.0001
620 0.5131 nan 0.1284 -0.0001
640 0.5120 nan 0.1284 -0.0001
660 0.5109 nan 0.1284 -0.0002
680 0.5093 nan 0.1284 -0.0002
700 0.5080 nan 0.1284 -0.0001
720 0.5066 nan 0.1284 -0.0001
740 0.5052 nan 0.1284 -0.0001
746 0.5049 nan 0.1284 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0102 nan 0.1297 0.0448
2 0.9481 nan 0.1297 0.0310
3 0.9006 nan 0.1297 0.0233
4 0.8637 nan 0.1297 0.0184
5 0.8343 nan 0.1297 0.0143
6 0.8086 nan 0.1297 0.0131
7 0.7886 nan 0.1297 0.0094
8 0.7687 nan 0.1297 0.0097
9 0.7526 nan 0.1297 0.0076
10 0.7391 nan 0.1297 0.0064
20 0.6563 nan 0.1297 0.0025
40 0.6059 nan 0.1297 0.0007
60 0.5849 nan 0.1297 0.0000
80 0.5736 nan 0.1297 -0.0001
100 0.5643 nan 0.1297 0.0001
120 0.5580 nan 0.1297 -0.0000
140 0.5530 nan 0.1297 -0.0001
160 0.5479 nan 0.1297 -0.0000
180 0.5443 nan 0.1297 -0.0001
200 0.5409 nan 0.1297 -0.0002
220 0.5374 nan 0.1297 -0.0000
240 0.5342 nan 0.1297 -0.0000
260 0.5303 nan 0.1297 -0.0001
280 0.5270 nan 0.1297 -0.0001
300 0.5241 nan 0.1297 0.0002
320 0.5213 nan 0.1297 -0.0002
340 0.5187 nan 0.1297 -0.0001
360 0.5163 nan 0.1297 -0.0001
380 0.5134 nan 0.1297 -0.0001
400 0.5113 nan 0.1297 -0.0001
420 0.5087 nan 0.1297 -0.0001
440 0.5065 nan 0.1297 -0.0001
460 0.5038 nan 0.1297 -0.0002
480 0.5021 nan 0.1297 -0.0002
500 0.4993 nan 0.1297 -0.0001
509 0.4980 nan 0.1297 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0310 nan 0.1319 0.0346
2 0.9819 nan 0.1319 0.0240
3 0.9326 nan 0.1319 0.0238
4 0.8968 nan 0.1319 0.0180
5 0.8691 nan 0.1319 0.0141
6 0.8493 nan 0.1319 0.0097
7 0.8306 nan 0.1319 0.0096
8 0.8153 nan 0.1319 0.0073
9 0.8035 nan 0.1319 0.0059
10 0.7902 nan 0.1319 0.0066
20 0.7107 nan 0.1319 0.0026
40 0.6470 nan 0.1319 0.0004
60 0.6262 nan 0.1319 0.0001
80 0.6126 nan 0.1319 0.0003
100 0.6040 nan 0.1319 0.0003
120 0.5978 nan 0.1319 0.0002
140 0.5925 nan 0.1319 -0.0000
160 0.5887 nan 0.1319 -0.0000
180 0.5840 nan 0.1319 -0.0000
200 0.5813 nan 0.1319 0.0001
220 0.5783 nan 0.1319 -0.0001
240 0.5763 nan 0.1319 -0.0001
260 0.5745 nan 0.1319 -0.0000
280 0.5723 nan 0.1319 -0.0000
300 0.5707 nan 0.1319 -0.0000
320 0.5689 nan 0.1319 -0.0000
340 0.5669 nan 0.1319 -0.0001
360 0.5651 nan 0.1319 0.0000
380 0.5636 nan 0.1319 -0.0001
400 0.5618 nan 0.1319 0.0002
420 0.5606 nan 0.1319 -0.0001
440 0.5592 nan 0.1319 -0.0000
460 0.5572 nan 0.1319 -0.0000
480 0.5562 nan 0.1319 -0.0001
500 0.5549 nan 0.1319 -0.0000
520 0.5538 nan 0.1319 -0.0000
540 0.5524 nan 0.1319 -0.0001
560 0.5514 nan 0.1319 -0.0000
580 0.5502 nan 0.1319 -0.0001
600 0.5490 nan 0.1319 -0.0001
620 0.5480 nan 0.1319 -0.0001
640 0.5473 nan 0.1319 -0.0001
660 0.5464 nan 0.1319 -0.0001
680 0.5454 nan 0.1319 -0.0001
700 0.5443 nan 0.1319 -0.0001
720 0.5435 nan 0.1319 -0.0001
740 0.5429 nan 0.1319 -0.0002
760 0.5423 nan 0.1319 -0.0001
780 0.5416 nan 0.1319 -0.0001
797 0.5408 nan 0.1319 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0306 nan 0.1323 0.0343
2 0.9825 nan 0.1323 0.0234
3 0.9333 nan 0.1323 0.0238
4 0.9024 nan 0.1323 0.0153
5 0.8720 nan 0.1323 0.0153
6 0.8502 nan 0.1323 0.0109
7 0.8290 nan 0.1323 0.0105
8 0.8142 nan 0.1323 0.0072
9 0.7997 nan 0.1323 0.0071
10 0.7872 nan 0.1323 0.0058
20 0.7074 nan 0.1323 0.0031
40 0.6448 nan 0.1323 0.0007
60 0.6246 nan 0.1323 0.0003
80 0.6119 nan 0.1323 0.0001
100 0.6037 nan 0.1323 -0.0000
120 0.5969 nan 0.1323 -0.0000
140 0.5911 nan 0.1323 -0.0000
160 0.5867 nan 0.1323 -0.0001
180 0.5818 nan 0.1323 -0.0000
200 0.5778 nan 0.1323 0.0000
220 0.5744 nan 0.1323 0.0000
240 0.5714 nan 0.1323 -0.0001
260 0.5685 nan 0.1323 0.0000
280 0.5656 nan 0.1323 -0.0000
300 0.5638 nan 0.1323 -0.0000
320 0.5622 nan 0.1323 -0.0000
340 0.5602 nan 0.1323 -0.0000
360 0.5586 nan 0.1323 -0.0001
380 0.5571 nan 0.1323 -0.0001
400 0.5553 nan 0.1323 -0.0001
420 0.5544 nan 0.1323 -0.0000
440 0.5528 nan 0.1323 -0.0000
460 0.5517 nan 0.1323 -0.0001
480 0.5505 nan 0.1323 -0.0001
500 0.5490 nan 0.1323 -0.0001
520 0.5478 nan 0.1323 -0.0000
540 0.5465 nan 0.1323 -0.0002
560 0.5456 nan 0.1323 -0.0001
580 0.5444 nan 0.1323 -0.0001
600 0.5431 nan 0.1323 -0.0000
620 0.5415 nan 0.1323 -0.0001
640 0.5406 nan 0.1323 -0.0001
660 0.5398 nan 0.1323 -0.0001
680 0.5391 nan 0.1323 -0.0001
700 0.5381 nan 0.1323 -0.0000
720 0.5365 nan 0.1323 -0.0000
740 0.5354 nan 0.1323 0.0001
760 0.5344 nan 0.1323 -0.0001
780 0.5331 nan 0.1323 -0.0001
800 0.5319 nan 0.1323 -0.0000
820 0.5307 nan 0.1323 -0.0001
840 0.5301 nan 0.1323 -0.0000
860 0.5288 nan 0.1323 -0.0000
880 0.5280 nan 0.1323 -0.0001
900 0.5271 nan 0.1323 -0.0001
920 0.5263 nan 0.1323 -0.0001
940 0.5254 nan 0.1323 -0.0001
960 0.5247 nan 0.1323 -0.0000
980 0.5240 nan 0.1323 -0.0001
981 0.5240 nan 0.1323 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0290 nan 0.1371 0.0356
2 0.9773 nan 0.1371 0.0260
3 0.9394 nan 0.1371 0.0192
4 0.9013 nan 0.1371 0.0193
5 0.8722 nan 0.1371 0.0149
6 0.8500 nan 0.1371 0.0107
7 0.8300 nan 0.1371 0.0097
8 0.8143 nan 0.1371 0.0078
9 0.8021 nan 0.1371 0.0062
10 0.7885 nan 0.1371 0.0065
20 0.7075 nan 0.1371 0.0023
40 0.6453 nan 0.1371 0.0005
60 0.6236 nan 0.1371 0.0003
80 0.6114 nan 0.1371 0.0002
100 0.6017 nan 0.1371 0.0001
120 0.5940 nan 0.1371 0.0001
140 0.5888 nan 0.1371 -0.0001
160 0.5836 nan 0.1371 -0.0001
180 0.5794 nan 0.1371 -0.0000
200 0.5762 nan 0.1371 0.0002
220 0.5742 nan 0.1371 -0.0001
240 0.5699 nan 0.1371 -0.0001
260 0.5677 nan 0.1371 -0.0000
280 0.5658 nan 0.1371 -0.0001
300 0.5634 nan 0.1371 -0.0000
320 0.5617 nan 0.1371 -0.0000
340 0.5603 nan 0.1371 -0.0002
360 0.5586 nan 0.1371 -0.0000
380 0.5568 nan 0.1371 -0.0000
400 0.5549 nan 0.1371 -0.0001
420 0.5528 nan 0.1371 -0.0001
440 0.5516 nan 0.1371 -0.0001
460 0.5500 nan 0.1371 -0.0000
480 0.5488 nan 0.1371 -0.0000
500 0.5474 nan 0.1371 -0.0001
520 0.5452 nan 0.1371 -0.0000
540 0.5434 nan 0.1371 0.0002
560 0.5425 nan 0.1371 -0.0001
580 0.5415 nan 0.1371 -0.0000
593 0.5410 nan 0.1371 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0057 nan 0.1425 0.0470
2 0.9432 nan 0.1425 0.0312
3 0.8956 nan 0.1425 0.0240
4 0.8599 nan 0.1425 0.0170
5 0.8301 nan 0.1425 0.0149
6 0.8075 nan 0.1425 0.0111
7 0.7879 nan 0.1425 0.0095
8 0.7684 nan 0.1425 0.0093
9 0.7531 nan 0.1425 0.0078
10 0.7390 nan 0.1425 0.0067
20 0.6613 nan 0.1425 0.0018
40 0.6105 nan 0.1425 0.0005
60 0.5896 nan 0.1425 0.0001
80 0.5777 nan 0.1425 -0.0000
100 0.5687 nan 0.1425 -0.0001
120 0.5622 nan 0.1425 -0.0000
140 0.5561 nan 0.1425 -0.0002
160 0.5507 nan 0.1425 -0.0000
180 0.5458 nan 0.1425 -0.0000
200 0.5419 nan 0.1425 -0.0001
220 0.5371 nan 0.1425 -0.0001
240 0.5346 nan 0.1425 -0.0001
260 0.5316 nan 0.1425 -0.0001
280 0.5292 nan 0.1425 -0.0002
300 0.5264 nan 0.1425 -0.0002
320 0.5237 nan 0.1425 -0.0001
340 0.5215 nan 0.1425 -0.0002
360 0.5190 nan 0.1425 -0.0002
380 0.5169 nan 0.1425 -0.0001
400 0.5135 nan 0.1425 -0.0000
420 0.5108 nan 0.1425 -0.0001
440 0.5082 nan 0.1425 -0.0000
460 0.5053 nan 0.1425 -0.0001
480 0.5030 nan 0.1425 0.0002
500 0.5015 nan 0.1425 -0.0001
520 0.4995 nan 0.1425 -0.0001
540 0.4978 nan 0.1425 -0.0001
560 0.4957 nan 0.1425 -0.0001
580 0.4936 nan 0.1425 -0.0001
600 0.4918 nan 0.1425 -0.0001
620 0.4901 nan 0.1425 -0.0001
640 0.4883 nan 0.1425 -0.0000
660 0.4868 nan 0.1425 -0.0001
680 0.4854 nan 0.1425 -0.0001
700 0.4840 nan 0.1425 -0.0002
720 0.4826 nan 0.1425 -0.0001
740 0.4806 nan 0.1425 -0.0001
760 0.4793 nan 0.1425 -0.0000
780 0.4779 nan 0.1425 -0.0001
800 0.4763 nan 0.1425 -0.0001
820 0.4748 nan 0.1425 -0.0001
831 0.4739 nan 0.1425 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0011 nan 0.1438 0.0496
2 0.9347 nan 0.1438 0.0315
3 0.8861 nan 0.1438 0.0249
4 0.8478 nan 0.1438 0.0186
5 0.8183 nan 0.1438 0.0146
6 0.7958 nan 0.1438 0.0110
7 0.7747 nan 0.1438 0.0100
8 0.7552 nan 0.1438 0.0096
9 0.7383 nan 0.1438 0.0083
10 0.7238 nan 0.1438 0.0071
20 0.6485 nan 0.1438 0.0024
40 0.6030 nan 0.1438 0.0000
60 0.5844 nan 0.1438 0.0002
80 0.5738 nan 0.1438 0.0002
100 0.5647 nan 0.1438 -0.0000
120 0.5585 nan 0.1438 -0.0002
140 0.5535 nan 0.1438 -0.0000
160 0.5488 nan 0.1438 -0.0001
180 0.5453 nan 0.1438 -0.0001
200 0.5414 nan 0.1438 -0.0002
220 0.5384 nan 0.1438 -0.0001
240 0.5352 nan 0.1438 -0.0002
259 0.5313 nan 0.1438 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0041 nan 0.1455 0.0486
2 0.9403 nan 0.1455 0.0321
3 0.8911 nan 0.1455 0.0247
4 0.8553 nan 0.1455 0.0173
5 0.8248 nan 0.1455 0.0146
6 0.8018 nan 0.1455 0.0114
7 0.7802 nan 0.1455 0.0102
8 0.7612 nan 0.1455 0.0094
9 0.7440 nan 0.1455 0.0085
10 0.7292 nan 0.1455 0.0072
20 0.6543 nan 0.1455 0.0019
40 0.6089 nan 0.1455 0.0008
60 0.5880 nan 0.1455 0.0002
80 0.5752 nan 0.1455 0.0005
100 0.5662 nan 0.1455 0.0002
108 0.5633 nan 0.1455 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0251 nan 0.1479 0.0386
2 0.9708 nan 0.1479 0.0264
3 0.9305 nan 0.1479 0.0200
4 0.8908 nan 0.1479 0.0197
5 0.8611 nan 0.1479 0.0147
6 0.8402 nan 0.1479 0.0105
7 0.8212 nan 0.1479 0.0092
8 0.8048 nan 0.1479 0.0081
9 0.7927 nan 0.1479 0.0061
10 0.7778 nan 0.1479 0.0074
20 0.6953 nan 0.1479 0.0023
40 0.6386 nan 0.1479 0.0007
60 0.6190 nan 0.1479 0.0002
80 0.6051 nan 0.1479 0.0003
100 0.5966 nan 0.1479 -0.0000
120 0.5907 nan 0.1479 0.0000
140 0.5857 nan 0.1479 -0.0000
160 0.5818 nan 0.1479 0.0003
180 0.5786 nan 0.1479 -0.0001
200 0.5752 nan 0.1479 0.0000
220 0.5714 nan 0.1479 0.0004
240 0.5689 nan 0.1479 -0.0001
260 0.5665 nan 0.1479 -0.0000
280 0.5647 nan 0.1479 -0.0001
300 0.5626 nan 0.1479 -0.0001
320 0.5607 nan 0.1479 -0.0000
340 0.5585 nan 0.1479 -0.0001
360 0.5552 nan 0.1479 -0.0001
380 0.5527 nan 0.1479 0.0000
400 0.5511 nan 0.1479 -0.0001
420 0.5492 nan 0.1479 -0.0000
440 0.5475 nan 0.1479 -0.0000
460 0.5464 nan 0.1479 -0.0000
480 0.5453 nan 0.1479 -0.0001
500 0.5442 nan 0.1479 -0.0001
520 0.5426 nan 0.1479 0.0001
540 0.5412 nan 0.1479 -0.0001
560 0.5394 nan 0.1479 -0.0001
580 0.5379 nan 0.1479 -0.0002
600 0.5367 nan 0.1479 -0.0000
620 0.5355 nan 0.1479 -0.0001
640 0.5341 nan 0.1479 -0.0000
660 0.5326 nan 0.1479 -0.0001
680 0.5317 nan 0.1479 -0.0001
700 0.5308 nan 0.1479 -0.0001
720 0.5299 nan 0.1479 -0.0001
740 0.5290 nan 0.1479 -0.0001
760 0.5282 nan 0.1479 -0.0000
780 0.5270 nan 0.1479 -0.0001
800 0.5259 nan 0.1479 -0.0000
820 0.5249 nan 0.1479 -0.0000
840 0.5233 nan 0.1479 -0.0001
860 0.5221 nan 0.1479 -0.0000
880 0.5212 nan 0.1479 -0.0001
900 0.5205 nan 0.1479 -0.0001
920 0.5198 nan 0.1479 -0.0001
940 0.5188 nan 0.1479 -0.0001
960 0.5181 nan 0.1479 -0.0000
980 0.5168 nan 0.1479 -0.0001
986 0.5166 nan 0.1479 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9986 nan 0.1486 0.0500
2 0.9317 nan 0.1486 0.0334
3 0.8805 nan 0.1486 0.0253
4 0.8432 nan 0.1486 0.0186
5 0.8135 nan 0.1486 0.0145
6 0.7900 nan 0.1486 0.0115
7 0.7683 nan 0.1486 0.0107
8 0.7490 nan 0.1486 0.0092
9 0.7323 nan 0.1486 0.0084
10 0.7192 nan 0.1486 0.0063
20 0.6457 nan 0.1486 0.0020
40 0.6021 nan 0.1486 0.0004
60 0.5820 nan 0.1486 0.0000
80 0.5697 nan 0.1486 -0.0001
100 0.5617 nan 0.1486 -0.0000
120 0.5558 nan 0.1486 -0.0001
140 0.5500 nan 0.1486 -0.0002
160 0.5459 nan 0.1486 -0.0001
180 0.5411 nan 0.1486 0.0001
200 0.5370 nan 0.1486 -0.0002
220 0.5328 nan 0.1486 -0.0000
240 0.5293 nan 0.1486 -0.0002
260 0.5260 nan 0.1486 -0.0002
280 0.5232 nan 0.1486 -0.0001
300 0.5196 nan 0.1486 -0.0002
320 0.5164 nan 0.1486 -0.0001
340 0.5135 nan 0.1486 -0.0001
360 0.5107 nan 0.1486 -0.0002
380 0.5085 nan 0.1486 -0.0001
400 0.5061 nan 0.1486 -0.0001
420 0.5036 nan 0.1486 -0.0001
440 0.5015 nan 0.1486 -0.0002
460 0.4989 nan 0.1486 -0.0002
480 0.4969 nan 0.1486 -0.0001
500 0.4945 nan 0.1486 -0.0002
520 0.4925 nan 0.1486 -0.0002
540 0.4903 nan 0.1486 -0.0002
560 0.4883 nan 0.1486 -0.0001
580 0.4863 nan 0.1486 -0.0002
600 0.4844 nan 0.1486 -0.0002
620 0.4824 nan 0.1486 -0.0002
640 0.4810 nan 0.1486 -0.0002
660 0.4796 nan 0.1486 -0.0002
680 0.4778 nan 0.1486 -0.0002
700 0.4763 nan 0.1486 -0.0001
720 0.4749 nan 0.1486 -0.0002
740 0.4731 nan 0.1486 -0.0002
760 0.4719 nan 0.1486 -0.0001
780 0.4701 nan 0.1486 -0.0000
800 0.4687 nan 0.1486 -0.0001
820 0.4674 nan 0.1486 -0.0001
840 0.4659 nan 0.1486 -0.0002
860 0.4647 nan 0.1486 -0.0001
880 0.4633 nan 0.1486 -0.0002
900 0.4619 nan 0.1486 -0.0002
920 0.4603 nan 0.1486 -0.0002
940 0.4587 nan 0.1486 -0.0001
957 0.4576 nan 0.1486 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0014 nan 0.1502 0.0501
2 0.9376 nan 0.1502 0.0323
3 0.8891 nan 0.1502 0.0238
4 0.8527 nan 0.1502 0.0180
5 0.8253 nan 0.1502 0.0135
6 0.7972 nan 0.1502 0.0140
7 0.7754 nan 0.1502 0.0104
8 0.7585 nan 0.1502 0.0079
9 0.7419 nan 0.1502 0.0083
10 0.7269 nan 0.1502 0.0073
20 0.6547 nan 0.1502 0.0018
40 0.6111 nan 0.1502 0.0003
60 0.5911 nan 0.1502 0.0006
80 0.5804 nan 0.1502 0.0000
100 0.5734 nan 0.1502 -0.0000
120 0.5661 nan 0.1502 0.0004
140 0.5601 nan 0.1502 0.0000
160 0.5547 nan 0.1502 -0.0001
180 0.5509 nan 0.1502 -0.0001
200 0.5472 nan 0.1502 -0.0001
220 0.5447 nan 0.1502 -0.0000
240 0.5409 nan 0.1502 -0.0001
260 0.5382 nan 0.1502 -0.0002
280 0.5355 nan 0.1502 -0.0001
300 0.5327 nan 0.1502 -0.0001
320 0.5304 nan 0.1502 -0.0002
340 0.5281 nan 0.1502 -0.0002
360 0.5256 nan 0.1502 -0.0001
380 0.5233 nan 0.1502 -0.0001
400 0.5216 nan 0.1502 -0.0003
420 0.5198 nan 0.1502 -0.0001
440 0.5183 nan 0.1502 -0.0002
460 0.5163 nan 0.1502 -0.0001
480 0.5140 nan 0.1502 -0.0001
500 0.5119 nan 0.1502 -0.0001
520 0.5101 nan 0.1502 -0.0002
540 0.5087 nan 0.1502 -0.0002
560 0.5076 nan 0.1502 -0.0001
580 0.5062 nan 0.1502 -0.0000
600 0.5050 nan 0.1502 -0.0002
620 0.5038 nan 0.1502 -0.0001
640 0.5023 nan 0.1502 -0.0001
660 0.5004 nan 0.1502 -0.0002
680 0.4987 nan 0.1502 -0.0002
689 0.4982 nan 0.1502 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9958 nan 0.1546 0.0503
2 0.9301 nan 0.1546 0.0331
3 0.8816 nan 0.1546 0.0234
4 0.8467 nan 0.1546 0.0172
5 0.8173 nan 0.1546 0.0147
6 0.7953 nan 0.1546 0.0107
7 0.7715 nan 0.1546 0.0117
8 0.7556 nan 0.1546 0.0077
9 0.7423 nan 0.1546 0.0062
10 0.7266 nan 0.1546 0.0077
20 0.6515 nan 0.1546 0.0027
40 0.6051 nan 0.1546 0.0004
60 0.5858 nan 0.1546 0.0010
80 0.5746 nan 0.1546 0.0002
100 0.5664 nan 0.1546 -0.0000
120 0.5593 nan 0.1546 -0.0002
140 0.5524 nan 0.1546 -0.0001
160 0.5468 nan 0.1546 -0.0001
180 0.5428 nan 0.1546 -0.0001
200 0.5381 nan 0.1546 -0.0001
220 0.5351 nan 0.1546 -0.0001
240 0.5308 nan 0.1546 -0.0001
260 0.5279 nan 0.1546 -0.0001
280 0.5241 nan 0.1546 -0.0001
300 0.5208 nan 0.1546 -0.0002
320 0.5172 nan 0.1546 -0.0002
340 0.5148 nan 0.1546 -0.0001
347 0.5138 nan 0.1546 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9967 nan 0.1561 0.0513
2 0.9314 nan 0.1561 0.0322
3 0.8823 nan 0.1561 0.0237
4 0.8446 nan 0.1561 0.0187
5 0.8168 nan 0.1561 0.0136
6 0.7927 nan 0.1561 0.0117
7 0.7710 nan 0.1561 0.0106
8 0.7540 nan 0.1561 0.0084
9 0.7402 nan 0.1561 0.0070
10 0.7279 nan 0.1561 0.0057
20 0.6494 nan 0.1561 0.0026
40 0.6047 nan 0.1561 0.0005
60 0.5854 nan 0.1561 0.0002
80 0.5752 nan 0.1561 0.0003
100 0.5674 nan 0.1561 -0.0001
120 0.5580 nan 0.1561 -0.0001
140 0.5515 nan 0.1561 -0.0001
160 0.5463 nan 0.1561 -0.0001
180 0.5425 nan 0.1561 -0.0000
200 0.5392 nan 0.1561 0.0000
220 0.5351 nan 0.1561 -0.0001
240 0.5313 nan 0.1561 -0.0001
260 0.5280 nan 0.1561 -0.0002
280 0.5245 nan 0.1561 -0.0002
300 0.5218 nan 0.1561 -0.0001
302 0.5215 nan 0.1561 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0097 nan 0.1572 0.0458
2 0.9439 nan 0.1572 0.0327
3 0.8980 nan 0.1572 0.0232
4 0.8607 nan 0.1572 0.0186
5 0.8331 nan 0.1572 0.0138
6 0.8058 nan 0.1572 0.0139
7 0.7837 nan 0.1572 0.0111
8 0.7699 nan 0.1572 0.0067
9 0.7529 nan 0.1572 0.0082
10 0.7399 nan 0.1572 0.0065
20 0.6668 nan 0.1572 0.0022
40 0.6195 nan 0.1572 0.0007
60 0.6018 nan 0.1572 0.0004
80 0.5923 nan 0.1572 0.0000
100 0.5857 nan 0.1572 -0.0001
120 0.5800 nan 0.1572 -0.0001
140 0.5758 nan 0.1572 -0.0001
160 0.5719 nan 0.1572 0.0000
180 0.5690 nan 0.1572 0.0001
200 0.5659 nan 0.1572 -0.0001
220 0.5618 nan 0.1572 -0.0001
240 0.5590 nan 0.1572 0.0000
260 0.5558 nan 0.1572 -0.0000
280 0.5542 nan 0.1572 -0.0001
300 0.5526 nan 0.1572 -0.0000
320 0.5508 nan 0.1572 -0.0001
340 0.5486 nan 0.1572 -0.0001
360 0.5469 nan 0.1572 -0.0001
380 0.5451 nan 0.1572 -0.0001
400 0.5436 nan 0.1572 -0.0001
404 0.5427 nan 0.1572 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0075 nan 0.1580 0.0460
2 0.9408 nan 0.1580 0.0333
3 0.8939 nan 0.1580 0.0229
4 0.8537 nan 0.1580 0.0201
5 0.8231 nan 0.1580 0.0149
6 0.8010 nan 0.1580 0.0108
7 0.7822 nan 0.1580 0.0092
8 0.7654 nan 0.1580 0.0082
9 0.7508 nan 0.1580 0.0070
10 0.7385 nan 0.1580 0.0053
20 0.6634 nan 0.1580 0.0026
40 0.6186 nan 0.1580 0.0004
60 0.6005 nan 0.1580 0.0003
80 0.5908 nan 0.1580 0.0000
100 0.5828 nan 0.1580 -0.0000
120 0.5767 nan 0.1580 -0.0001
140 0.5708 nan 0.1580 -0.0002
160 0.5661 nan 0.1580 -0.0000
180 0.5626 nan 0.1580 -0.0002
200 0.5589 nan 0.1580 -0.0001
220 0.5559 nan 0.1580 -0.0001
240 0.5531 nan 0.1580 -0.0001
260 0.5506 nan 0.1580 -0.0001
280 0.5489 nan 0.1580 -0.0000
300 0.5469 nan 0.1580 -0.0001
320 0.5445 nan 0.1580 -0.0002
340 0.5428 nan 0.1580 -0.0001
360 0.5412 nan 0.1580 -0.0001
380 0.5395 nan 0.1580 -0.0001
400 0.5380 nan 0.1580 -0.0002
420 0.5365 nan 0.1580 -0.0001
440 0.5349 nan 0.1580 -0.0001
460 0.5330 nan 0.1580 -0.0001
480 0.5313 nan 0.1580 -0.0001
500 0.5297 nan 0.1580 -0.0001
514 0.5287 nan 0.1580 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0087 nan 0.1589 0.0465
2 0.9447 nan 0.1589 0.0312
3 0.8940 nan 0.1589 0.0245
4 0.8536 nan 0.1589 0.0207
5 0.8268 nan 0.1589 0.0131
6 0.8011 nan 0.1589 0.0122
7 0.7840 nan 0.1589 0.0080
8 0.7664 nan 0.1589 0.0085
9 0.7519 nan 0.1589 0.0071
10 0.7375 nan 0.1589 0.0069
20 0.6648 nan 0.1589 0.0023
40 0.6186 nan 0.1589 0.0004
60 0.6008 nan 0.1589 0.0002
80 0.5897 nan 0.1589 0.0003
100 0.5800 nan 0.1589 0.0002
120 0.5740 nan 0.1589 -0.0002
140 0.5686 nan 0.1589 -0.0001
160 0.5648 nan 0.1589 -0.0001
180 0.5616 nan 0.1589 -0.0001
200 0.5576 nan 0.1589 -0.0001
220 0.5543 nan 0.1589 -0.0001
240 0.5518 nan 0.1589 -0.0000
260 0.5497 nan 0.1589 -0.0001
280 0.5466 nan 0.1589 0.0003
300 0.5433 nan 0.1589 -0.0000
320 0.5412 nan 0.1589 -0.0001
340 0.5391 nan 0.1589 -0.0002
360 0.5373 nan 0.1589 -0.0001
380 0.5357 nan 0.1589 -0.0000
400 0.5338 nan 0.1589 -0.0001
420 0.5323 nan 0.1589 -0.0001
440 0.5304 nan 0.1589 -0.0001
460 0.5289 nan 0.1589 -0.0001
480 0.5272 nan 0.1589 -0.0000
500 0.5257 nan 0.1589 -0.0001
520 0.5246 nan 0.1589 -0.0000
540 0.5233 nan 0.1589 -0.0001
557 0.5222 nan 0.1589 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0192 nan 0.1591 0.0405
2 0.9640 nan 0.1591 0.0285
3 0.9233 nan 0.1591 0.0199
4 0.8831 nan 0.1591 0.0201
5 0.8530 nan 0.1591 0.0150
6 0.8317 nan 0.1591 0.0103
7 0.8142 nan 0.1591 0.0084
8 0.8017 nan 0.1591 0.0062
9 0.7865 nan 0.1591 0.0075
10 0.7743 nan 0.1591 0.0059
20 0.6916 nan 0.1591 0.0017
40 0.6365 nan 0.1591 0.0003
60 0.6168 nan 0.1591 0.0002
80 0.6045 nan 0.1591 0.0001
100 0.5964 nan 0.1591 0.0001
120 0.5894 nan 0.1591 0.0001
140 0.5837 nan 0.1591 -0.0000
160 0.5792 nan 0.1591 -0.0001
180 0.5759 nan 0.1591 0.0000
200 0.5726 nan 0.1591 -0.0000
220 0.5695 nan 0.1591 -0.0001
240 0.5669 nan 0.1591 -0.0001
260 0.5634 nan 0.1591 -0.0001
280 0.5614 nan 0.1591 0.0000
300 0.5589 nan 0.1591 0.0003
320 0.5571 nan 0.1591 -0.0001
340 0.5555 nan 0.1591 -0.0001
360 0.5542 nan 0.1591 -0.0001
380 0.5533 nan 0.1591 -0.0002
400 0.5515 nan 0.1591 -0.0001
420 0.5501 nan 0.1591 -0.0001
440 0.5483 nan 0.1591 -0.0000
460 0.5473 nan 0.1591 -0.0001
480 0.5462 nan 0.1591 -0.0000
500 0.5451 nan 0.1591 -0.0001
520 0.5439 nan 0.1591 -0.0001
540 0.5420 nan 0.1591 -0.0001
560 0.5409 nan 0.1591 -0.0001
580 0.5398 nan 0.1591 -0.0001
600 0.5384 nan 0.1591 -0.0001
620 0.5367 nan 0.1591 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9981 nan 0.1593 0.0508
2 0.9293 nan 0.1593 0.0333
3 0.8802 nan 0.1593 0.0243
4 0.8452 nan 0.1593 0.0179
5 0.8159 nan 0.1593 0.0139
6 0.7915 nan 0.1593 0.0123
7 0.7670 nan 0.1593 0.0118
8 0.7501 nan 0.1593 0.0082
9 0.7367 nan 0.1593 0.0070
10 0.7221 nan 0.1593 0.0069
20 0.6480 nan 0.1593 0.0015
40 0.6049 nan 0.1593 0.0006
60 0.5875 nan 0.1593 0.0001
80 0.5776 nan 0.1593 -0.0000
100 0.5715 nan 0.1593 -0.0001
120 0.5660 nan 0.1593 -0.0000
140 0.5611 nan 0.1593 -0.0001
160 0.5563 nan 0.1593 -0.0000
180 0.5521 nan 0.1593 -0.0001
200 0.5488 nan 0.1593 -0.0001
220 0.5458 nan 0.1593 -0.0001
240 0.5431 nan 0.1593 -0.0002
260 0.5409 nan 0.1593 -0.0002
280 0.5390 nan 0.1593 -0.0001
300 0.5357 nan 0.1593 -0.0000
320 0.5332 nan 0.1593 -0.0001
340 0.5314 nan 0.1593 -0.0000
360 0.5293 nan 0.1593 -0.0001
380 0.5269 nan 0.1593 -0.0001
400 0.5254 nan 0.1593 -0.0001
420 0.5237 nan 0.1593 -0.0002
440 0.5215 nan 0.1593 -0.0002
460 0.5203 nan 0.1593 -0.0001
480 0.5191 nan 0.1593 -0.0000
500 0.5178 nan 0.1593 -0.0001
520 0.5159 nan 0.1593 0.0001
540 0.5148 nan 0.1593 -0.0002
560 0.5129 nan 0.1593 -0.0001
580 0.5118 nan 0.1593 -0.0001
600 0.5099 nan 0.1593 -0.0002
620 0.5084 nan 0.1593 -0.0001
639 0.5066 nan 0.1593 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9901 nan 0.1625 0.0541
2 0.9202 nan 0.1625 0.0351
3 0.8688 nan 0.1625 0.0257
4 0.8296 nan 0.1625 0.0194
5 0.8004 nan 0.1625 0.0145
6 0.7763 nan 0.1625 0.0120
7 0.7572 nan 0.1625 0.0094
8 0.7384 nan 0.1625 0.0091
9 0.7224 nan 0.1625 0.0079
10 0.7104 nan 0.1625 0.0056
20 0.6363 nan 0.1625 0.0012
40 0.5961 nan 0.1625 0.0005
60 0.5795 nan 0.1625 -0.0001
80 0.5688 nan 0.1625 -0.0001
100 0.5622 nan 0.1625 0.0000
120 0.5546 nan 0.1625 -0.0001
140 0.5491 nan 0.1625 -0.0002
160 0.5442 nan 0.1625 -0.0001
180 0.5400 nan 0.1625 -0.0001
185 0.5393 nan 0.1625 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9908 nan 0.1685 0.0552
2 0.9211 nan 0.1685 0.0344
3 0.8718 nan 0.1685 0.0242
4 0.8361 nan 0.1685 0.0172
5 0.8060 nan 0.1685 0.0146
6 0.7805 nan 0.1685 0.0127
7 0.7568 nan 0.1685 0.0113
8 0.7394 nan 0.1685 0.0085
9 0.7255 nan 0.1685 0.0071
10 0.7127 nan 0.1685 0.0056
20 0.6410 nan 0.1685 0.0021
40 0.6002 nan 0.1685 0.0002
60 0.5825 nan 0.1685 -0.0000
80 0.5718 nan 0.1685 0.0001
100 0.5618 nan 0.1685 -0.0001
120 0.5544 nan 0.1685 -0.0001
140 0.5472 nan 0.1685 -0.0002
160 0.5413 nan 0.1685 -0.0000
180 0.5362 nan 0.1685 -0.0001
200 0.5313 nan 0.1685 -0.0001
220 0.5275 nan 0.1685 -0.0002
240 0.5239 nan 0.1685 -0.0002
260 0.5203 nan 0.1685 -0.0000
280 0.5168 nan 0.1685 -0.0001
300 0.5132 nan 0.1685 -0.0001
320 0.5093 nan 0.1685 -0.0001
340 0.5067 nan 0.1685 -0.0001
360 0.5034 nan 0.1685 -0.0000
380 0.5003 nan 0.1685 -0.0002
400 0.4969 nan 0.1685 -0.0000
420 0.4941 nan 0.1685 -0.0001
440 0.4916 nan 0.1685 -0.0001
460 0.4892 nan 0.1685 -0.0001
480 0.4861 nan 0.1685 -0.0001
500 0.4838 nan 0.1685 -0.0001
520 0.4814 nan 0.1685 -0.0002
540 0.4781 nan 0.1685 -0.0001
560 0.4757 nan 0.1685 -0.0002
580 0.4731 nan 0.1685 -0.0000
600 0.4710 nan 0.1685 -0.0001
620 0.4685 nan 0.1685 -0.0001
640 0.4662 nan 0.1685 -0.0001
660 0.4638 nan 0.1685 -0.0001
680 0.4616 nan 0.1685 -0.0002
700 0.4593 nan 0.1685 -0.0002
720 0.4564 nan 0.1685 -0.0001
740 0.4544 nan 0.1685 -0.0001
750 0.4534 nan 0.1685 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0148 nan 0.1687 0.0429
2 0.9575 nan 0.1687 0.0286
3 0.9082 nan 0.1687 0.0244
4 0.8788 nan 0.1687 0.0141
5 0.8475 nan 0.1687 0.0150
6 0.8263 nan 0.1687 0.0105
7 0.8069 nan 0.1687 0.0100
8 0.7869 nan 0.1687 0.0097
9 0.7753 nan 0.1687 0.0058
10 0.7625 nan 0.1687 0.0064
20 0.6848 nan 0.1687 0.0020
40 0.6336 nan 0.1687 0.0004
60 0.6150 nan 0.1687 0.0001
80 0.6029 nan 0.1687 -0.0000
100 0.5949 nan 0.1687 0.0002
120 0.5897 nan 0.1687 0.0001
140 0.5851 nan 0.1687 -0.0000
160 0.5815 nan 0.1687 -0.0002
180 0.5782 nan 0.1687 -0.0001
200 0.5757 nan 0.1687 -0.0001
220 0.5733 nan 0.1687 -0.0001
240 0.5710 nan 0.1687 -0.0001
257 0.5690 nan 0.1687 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0143 nan 0.1688 0.0436
2 0.9573 nan 0.1688 0.0281
3 0.9016 nan 0.1688 0.0279
4 0.8639 nan 0.1688 0.0194
5 0.8395 nan 0.1688 0.0117
6 0.8192 nan 0.1688 0.0097
7 0.8009 nan 0.1688 0.0094
8 0.7856 nan 0.1688 0.0073
9 0.7696 nan 0.1688 0.0081
10 0.7581 nan 0.1688 0.0054
20 0.6824 nan 0.1688 0.0016
40 0.6306 nan 0.1688 0.0005
60 0.6130 nan 0.1688 -0.0001
80 0.6014 nan 0.1688 0.0001
100 0.5935 nan 0.1688 0.0000
120 0.5884 nan 0.1688 -0.0000
140 0.5828 nan 0.1688 -0.0001
160 0.5795 nan 0.1688 -0.0000
180 0.5765 nan 0.1688 -0.0000
200 0.5739 nan 0.1688 -0.0001
220 0.5711 nan 0.1688 -0.0001
240 0.5686 nan 0.1688 -0.0001
260 0.5659 nan 0.1688 -0.0001
280 0.5638 nan 0.1688 -0.0002
300 0.5619 nan 0.1688 -0.0001
320 0.5595 nan 0.1688 0.0003
340 0.5579 nan 0.1688 0.0001
360 0.5555 nan 0.1688 -0.0001
380 0.5529 nan 0.1688 0.0000
400 0.5515 nan 0.1688 -0.0001
420 0.5500 nan 0.1688 -0.0001
440 0.5485 nan 0.1688 -0.0001
460 0.5470 nan 0.1688 -0.0001
480 0.5453 nan 0.1688 -0.0001
500 0.5437 nan 0.1688 -0.0002
520 0.5427 nan 0.1688 -0.0001
540 0.5418 nan 0.1688 -0.0001
560 0.5405 nan 0.1688 -0.0001
572 0.5396 nan 0.1688 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9826 nan 0.1722 0.0575
2 0.9118 nan 0.1722 0.0351
3 0.8601 nan 0.1722 0.0252
4 0.8214 nan 0.1722 0.0191
5 0.7910 nan 0.1722 0.0149
6 0.7671 nan 0.1722 0.0116
7 0.7436 nan 0.1722 0.0114
8 0.7245 nan 0.1722 0.0089
9 0.7109 nan 0.1722 0.0065
10 0.6985 nan 0.1722 0.0056
20 0.6336 nan 0.1722 0.0014
40 0.5931 nan 0.1722 0.0001
60 0.5755 nan 0.1722 0.0001
80 0.5619 nan 0.1722 0.0003
100 0.5525 nan 0.1722 -0.0001
120 0.5466 nan 0.1722 -0.0002
140 0.5405 nan 0.1722 -0.0002
160 0.5350 nan 0.1722 -0.0002
180 0.5306 nan 0.1722 -0.0000
200 0.5260 nan 0.1722 -0.0001
220 0.5222 nan 0.1722 -0.0001
240 0.5183 nan 0.1722 -0.0003
260 0.5147 nan 0.1722 -0.0002
280 0.5111 nan 0.1722 -0.0001
300 0.5079 nan 0.1722 -0.0001
320 0.5050 nan 0.1722 -0.0001
340 0.5014 nan 0.1722 -0.0002
360 0.4986 nan 0.1722 -0.0002
380 0.4959 nan 0.1722 -0.0002
400 0.4927 nan 0.1722 -0.0002
420 0.4904 nan 0.1722 -0.0002
440 0.4873 nan 0.1722 -0.0001
460 0.4849 nan 0.1722 -0.0002
480 0.4824 nan 0.1722 -0.0002
500 0.4799 nan 0.1722 -0.0001
520 0.4775 nan 0.1722 -0.0002
540 0.4754 nan 0.1722 -0.0002
560 0.4731 nan 0.1722 -0.0001
580 0.4713 nan 0.1722 -0.0002
600 0.4696 nan 0.1722 -0.0001
620 0.4674 nan 0.1722 -0.0001
640 0.4645 nan 0.1722 -0.0002
660 0.4622 nan 0.1722 -0.0001
665 0.4615 nan 0.1722 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9836 nan 0.1728 0.0569
2 0.9125 nan 0.1728 0.0353
3 0.8616 nan 0.1728 0.0261
4 0.8238 nan 0.1728 0.0185
5 0.7936 nan 0.1728 0.0153
6 0.7703 nan 0.1728 0.0115
7 0.7449 nan 0.1728 0.0118
8 0.7283 nan 0.1728 0.0080
9 0.7132 nan 0.1728 0.0070
10 0.6979 nan 0.1728 0.0073
20 0.6344 nan 0.1728 0.0016
40 0.5977 nan 0.1728 0.0006
60 0.5813 nan 0.1728 -0.0001
80 0.5719 nan 0.1728 -0.0000
100 0.5636 nan 0.1728 -0.0001
120 0.5574 nan 0.1728 -0.0002
140 0.5525 nan 0.1728 -0.0000
160 0.5486 nan 0.1728 -0.0003
180 0.5451 nan 0.1728 -0.0003
200 0.5405 nan 0.1728 -0.0002
220 0.5376 nan 0.1728 -0.0001
240 0.5337 nan 0.1728 -0.0002
260 0.5308 nan 0.1728 -0.0002
280 0.5278 nan 0.1728 -0.0001
300 0.5248 nan 0.1728 -0.0002
320 0.5220 nan 0.1728 -0.0002
340 0.5193 nan 0.1728 -0.0002
360 0.5161 nan 0.1728 0.0000
380 0.5140 nan 0.1728 -0.0002
400 0.5112 nan 0.1728 -0.0003
420 0.5089 nan 0.1728 -0.0002
434 0.5076 nan 0.1728 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9856 nan 0.1746 0.0559
2 0.9159 nan 0.1746 0.0351
3 0.8667 nan 0.1746 0.0245
4 0.8321 nan 0.1746 0.0167
5 0.8045 nan 0.1746 0.0134
6 0.7770 nan 0.1746 0.0136
7 0.7577 nan 0.1746 0.0094
8 0.7376 nan 0.1746 0.0097
9 0.7202 nan 0.1746 0.0081
10 0.7080 nan 0.1746 0.0059
20 0.6420 nan 0.1746 0.0021
40 0.6009 nan 0.1746 0.0002
60 0.5818 nan 0.1746 0.0002
80 0.5711 nan 0.1746 -0.0001
100 0.5615 nan 0.1746 0.0010
120 0.5552 nan 0.1746 -0.0001
140 0.5481 nan 0.1746 -0.0001
160 0.5422 nan 0.1746 -0.0001
180 0.5377 nan 0.1746 -0.0001
200 0.5336 nan 0.1746 -0.0001
220 0.5298 nan 0.1746 -0.0001
240 0.5260 nan 0.1746 -0.0001
260 0.5221 nan 0.1746 -0.0001
280 0.5192 nan 0.1746 -0.0002
300 0.5155 nan 0.1746 -0.0002
320 0.5127 nan 0.1746 -0.0000
340 0.5080 nan 0.1746 -0.0002
360 0.5054 nan 0.1746 -0.0001
380 0.5016 nan 0.1746 -0.0002
400 0.4980 nan 0.1746 -0.0002
420 0.4946 nan 0.1746 -0.0001
440 0.4923 nan 0.1746 -0.0002
460 0.4892 nan 0.1746 -0.0001
480 0.4866 nan 0.1746 -0.0001
500 0.4832 nan 0.1746 -0.0002
520 0.4809 nan 0.1746 -0.0001
540 0.4783 nan 0.1746 -0.0001
560 0.4765 nan 0.1746 -0.0001
580 0.4742 nan 0.1746 -0.0001
600 0.4714 nan 0.1746 -0.0002
620 0.4695 nan 0.1746 -0.0001
640 0.4673 nan 0.1746 -0.0000
660 0.4644 nan 0.1746 -0.0001
680 0.4622 nan 0.1746 -0.0001
700 0.4594 nan 0.1746 -0.0001
720 0.4577 nan 0.1746 -0.0001
740 0.4554 nan 0.1746 -0.0001
760 0.4536 nan 0.1746 -0.0001
780 0.4511 nan 0.1746 -0.0002
800 0.4490 nan 0.1746 -0.0002
820 0.4470 nan 0.1746 -0.0001
840 0.4450 nan 0.1746 -0.0001
860 0.4432 nan 0.1746 -0.0002
870 0.4424 nan 0.1746 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9966 nan 0.1804 0.0518
2 0.9249 nan 0.1804 0.0368
3 0.8768 nan 0.1804 0.0233
4 0.8403 nan 0.1804 0.0181
5 0.8098 nan 0.1804 0.0147
6 0.7877 nan 0.1804 0.0108
7 0.7686 nan 0.1804 0.0090
8 0.7502 nan 0.1804 0.0091
9 0.7367 nan 0.1804 0.0066
10 0.7220 nan 0.1804 0.0069
20 0.6519 nan 0.1804 0.0026
40 0.6118 nan 0.1804 0.0002
60 0.5939 nan 0.1804 0.0002
80 0.5822 nan 0.1804 0.0003
100 0.5750 nan 0.1804 0.0000
120 0.5688 nan 0.1804 -0.0002
140 0.5644 nan 0.1804 -0.0001
160 0.5600 nan 0.1804 -0.0001
180 0.5569 nan 0.1804 -0.0001
200 0.5536 nan 0.1804 -0.0001
220 0.5507 nan 0.1804 -0.0002
240 0.5474 nan 0.1804 -0.0001
260 0.5448 nan 0.1804 -0.0002
280 0.5432 nan 0.1804 -0.0002
300 0.5410 nan 0.1804 -0.0002
320 0.5393 nan 0.1804 -0.0001
340 0.5375 nan 0.1804 -0.0002
360 0.5357 nan 0.1804 -0.0001
380 0.5344 nan 0.1804 -0.0002
400 0.5329 nan 0.1804 -0.0001
420 0.5307 nan 0.1804 -0.0002
440 0.5284 nan 0.1804 -0.0000
460 0.5270 nan 0.1804 -0.0002
480 0.5251 nan 0.1804 -0.0001
500 0.5239 nan 0.1804 -0.0002
520 0.5227 nan 0.1804 -0.0001
540 0.5205 nan 0.1804 -0.0001
560 0.5189 nan 0.1804 -0.0002
580 0.5177 nan 0.1804 -0.0001
600 0.5159 nan 0.1804 -0.0001
620 0.5149 nan 0.1804 -0.0001
640 0.5138 nan 0.1804 -0.0001
660 0.5126 nan 0.1804 -0.0001
667 0.5123 nan 0.1804 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9932 nan 0.1837 0.0518
2 0.9198 nan 0.1837 0.0360
3 0.8659 nan 0.1837 0.0260
4 0.8280 nan 0.1837 0.0187
5 0.8015 nan 0.1837 0.0131
6 0.7775 nan 0.1837 0.0110
7 0.7590 nan 0.1837 0.0092
8 0.7427 nan 0.1837 0.0080
9 0.7298 nan 0.1837 0.0065
10 0.7172 nan 0.1837 0.0062
20 0.6501 nan 0.1837 0.0022
40 0.6090 nan 0.1837 0.0007
60 0.5918 nan 0.1837 -0.0000
80 0.5813 nan 0.1837 0.0001
100 0.5743 nan 0.1837 -0.0001
120 0.5687 nan 0.1837 -0.0001
140 0.5639 nan 0.1837 -0.0001
160 0.5598 nan 0.1837 -0.0001
180 0.5556 nan 0.1837 -0.0002
200 0.5529 nan 0.1837 -0.0002
220 0.5501 nan 0.1837 -0.0002
240 0.5470 nan 0.1837 -0.0000
260 0.5444 nan 0.1837 -0.0001
280 0.5413 nan 0.1837 -0.0001
300 0.5390 nan 0.1837 -0.0001
320 0.5364 nan 0.1837 -0.0001
340 0.5338 nan 0.1837 -0.0001
360 0.5314 nan 0.1837 -0.0001
380 0.5304 nan 0.1837 -0.0001
400 0.5284 nan 0.1837 -0.0001
420 0.5272 nan 0.1837 -0.0001
440 0.5254 nan 0.1837 -0.0001
460 0.5235 nan 0.1837 -0.0001
480 0.5218 nan 0.1837 -0.0001
500 0.5206 nan 0.1837 -0.0001
507 0.5201 nan 0.1837 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0082 nan 0.1839 0.0458
2 0.9476 nan 0.1839 0.0307
3 0.9042 nan 0.1839 0.0219
4 0.8625 nan 0.1839 0.0212
5 0.8341 nan 0.1839 0.0142
6 0.8132 nan 0.1839 0.0101
7 0.7924 nan 0.1839 0.0101
8 0.7780 nan 0.1839 0.0070
9 0.7620 nan 0.1839 0.0077
10 0.7515 nan 0.1839 0.0053
20 0.6754 nan 0.1839 0.0017
40 0.6282 nan 0.1839 0.0004
60 0.6098 nan 0.1839 -0.0001
80 0.5983 nan 0.1839 0.0001
100 0.5915 nan 0.1839 -0.0000
120 0.5862 nan 0.1839 -0.0001
140 0.5824 nan 0.1839 -0.0001
160 0.5789 nan 0.1839 -0.0001
180 0.5759 nan 0.1839 0.0002
200 0.5731 nan 0.1839 -0.0002
220 0.5701 nan 0.1839 -0.0000
240 0.5679 nan 0.1839 0.0000
260 0.5659 nan 0.1839 -0.0001
280 0.5637 nan 0.1839 -0.0000
300 0.5613 nan 0.1839 -0.0000
320 0.5594 nan 0.1839 -0.0001
340 0.5579 nan 0.1839 -0.0001
360 0.5565 nan 0.1839 -0.0001
380 0.5548 nan 0.1839 -0.0001
400 0.5533 nan 0.1839 -0.0000
420 0.5526 nan 0.1839 -0.0001
440 0.5510 nan 0.1839 -0.0001
460 0.5494 nan 0.1839 -0.0001
480 0.5479 nan 0.1839 -0.0001
500 0.5470 nan 0.1839 -0.0001
520 0.5461 nan 0.1839 -0.0001
540 0.5447 nan 0.1839 -0.0001
560 0.5439 nan 0.1839 -0.0001
580 0.5433 nan 0.1839 -0.0002
600 0.5420 nan 0.1839 -0.0001
620 0.5413 nan 0.1839 -0.0001
640 0.5403 nan 0.1839 -0.0001
660 0.5397 nan 0.1839 0.0000
680 0.5383 nan 0.1839 -0.0001
700 0.5375 nan 0.1839 -0.0002
706 0.5373 nan 0.1839 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0036 nan 0.1931 0.0487
2 0.9417 nan 0.1931 0.0313
3 0.8905 nan 0.1931 0.0260
4 0.8608 nan 0.1931 0.0148
5 0.8312 nan 0.1931 0.0147
6 0.8090 nan 0.1931 0.0107
7 0.7932 nan 0.1931 0.0070
8 0.7735 nan 0.1931 0.0099
9 0.7574 nan 0.1931 0.0082
10 0.7444 nan 0.1931 0.0062
20 0.6702 nan 0.1931 0.0020
40 0.6239 nan 0.1931 0.0005
60 0.6073 nan 0.1931 0.0000
80 0.5965 nan 0.1931 0.0004
100 0.5888 nan 0.1931 0.0000
120 0.5846 nan 0.1931 0.0000
140 0.5794 nan 0.1931 0.0000
160 0.5765 nan 0.1931 -0.0000
180 0.5736 nan 0.1931 -0.0001
200 0.5690 nan 0.1931 -0.0001
220 0.5670 nan 0.1931 -0.0001
240 0.5646 nan 0.1931 0.0000
260 0.5620 nan 0.1931 -0.0001
280 0.5596 nan 0.1931 0.0000
300 0.5572 nan 0.1931 -0.0001
320 0.5560 nan 0.1931 -0.0001
340 0.5541 nan 0.1931 -0.0001
360 0.5525 nan 0.1931 -0.0000
380 0.5510 nan 0.1931 -0.0002
400 0.5498 nan 0.1931 -0.0001
420 0.5491 nan 0.1931 -0.0003
440 0.5478 nan 0.1931 -0.0001
460 0.5460 nan 0.1931 -0.0001
480 0.5451 nan 0.1931 -0.0001
500 0.5441 nan 0.1931 -0.0001
520 0.5434 nan 0.1931 -0.0001
540 0.5425 nan 0.1931 -0.0001
560 0.5415 nan 0.1931 -0.0001
580 0.5405 nan 0.1931 -0.0002
600 0.5393 nan 0.1931 -0.0001
620 0.5387 nan 0.1931 -0.0001
637 0.5379 nan 0.1931 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9907 nan 0.1938 0.0568
2 0.9190 nan 0.1938 0.0343
3 0.8663 nan 0.1938 0.0254
4 0.8248 nan 0.1938 0.0205
5 0.7924 nan 0.1938 0.0155
6 0.7682 nan 0.1938 0.0120
7 0.7524 nan 0.1938 0.0079
8 0.7368 nan 0.1938 0.0076
9 0.7248 nan 0.1938 0.0059
10 0.7108 nan 0.1938 0.0068
20 0.6445 nan 0.1938 0.0017
40 0.6052 nan 0.1938 0.0004
60 0.5877 nan 0.1938 0.0002
80 0.5778 nan 0.1938 0.0001
100 0.5700 nan 0.1938 -0.0001
120 0.5634 nan 0.1938 -0.0001
140 0.5588 nan 0.1938 -0.0002
160 0.5540 nan 0.1938 -0.0001
180 0.5494 nan 0.1938 -0.0001
200 0.5459 nan 0.1938 -0.0003
220 0.5417 nan 0.1938 -0.0001
240 0.5392 nan 0.1938 -0.0002
260 0.5365 nan 0.1938 -0.0002
280 0.5344 nan 0.1938 -0.0001
300 0.5316 nan 0.1938 -0.0002
320 0.5287 nan 0.1938 -0.0003
340 0.5266 nan 0.1938 -0.0002
360 0.5250 nan 0.1938 -0.0001
380 0.5230 nan 0.1938 -0.0001
400 0.5212 nan 0.1938 -0.0001
420 0.5189 nan 0.1938 -0.0002
440 0.5170 nan 0.1938 -0.0001
460 0.5155 nan 0.1938 -0.0001
480 0.5137 nan 0.1938 -0.0002
500 0.5108 nan 0.1938 -0.0001
520 0.5092 nan 0.1938 -0.0001
523 0.5088 nan 0.1938 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0303 nan 0.1946 0.0350
2 0.9836 nan 0.1946 0.0224
3 0.9456 nan 0.1946 0.0181
4 0.9149 nan 0.1946 0.0158
5 0.8873 nan 0.1946 0.0137
6 0.8684 nan 0.1946 0.0095
7 0.8501 nan 0.1946 0.0090
8 0.8322 nan 0.1946 0.0090
9 0.8207 nan 0.1946 0.0057
10 0.8096 nan 0.1946 0.0054
20 0.7286 nan 0.1946 0.0032
40 0.6633 nan 0.1946 0.0005
60 0.6387 nan 0.1946 0.0003
80 0.6235 nan 0.1946 0.0002
100 0.6158 nan 0.1946 0.0001
120 0.6090 nan 0.1946 -0.0001
140 0.6045 nan 0.1946 0.0001
160 0.6007 nan 0.1946 0.0001
180 0.5980 nan 0.1946 0.0000
200 0.5955 nan 0.1946 -0.0001
220 0.5931 nan 0.1946 0.0001
240 0.5909 nan 0.1946 0.0000
260 0.5892 nan 0.1946 0.0000
280 0.5880 nan 0.1946 -0.0001
300 0.5870 nan 0.1946 -0.0001
320 0.5857 nan 0.1946 -0.0001
340 0.5847 nan 0.1946 -0.0001
360 0.5838 nan 0.1946 -0.0001
380 0.5829 nan 0.1946 -0.0001
400 0.5826 nan 0.1946 -0.0000
420 0.5815 nan 0.1946 -0.0000
440 0.5808 nan 0.1946 -0.0002
460 0.5800 nan 0.1946 -0.0001
480 0.5795 nan 0.1946 -0.0001
500 0.5790 nan 0.1946 -0.0001
520 0.5786 nan 0.1946 -0.0001
540 0.5780 nan 0.1946 -0.0000
560 0.5770 nan 0.1946 -0.0001
580 0.5764 nan 0.1946 -0.0001
600 0.5761 nan 0.1946 -0.0001
603 0.5760 nan 0.1946 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0006 nan 0.1956 0.0493
2 0.9369 nan 0.1956 0.0302
3 0.8940 nan 0.1956 0.0214
4 0.8525 nan 0.1956 0.0214
5 0.8236 nan 0.1956 0.0146
6 0.8058 nan 0.1956 0.0083
7 0.7879 nan 0.1956 0.0089
8 0.7703 nan 0.1956 0.0089
9 0.7529 nan 0.1956 0.0085
10 0.7417 nan 0.1956 0.0056
20 0.6678 nan 0.1956 0.0017
40 0.6259 nan 0.1956 0.0003
60 0.6074 nan 0.1956 0.0002
80 0.5969 nan 0.1956 0.0000
100 0.5891 nan 0.1956 0.0001
120 0.5831 nan 0.1956 -0.0002
140 0.5774 nan 0.1956 -0.0001
160 0.5733 nan 0.1956 -0.0000
180 0.5679 nan 0.1956 -0.0001
200 0.5647 nan 0.1956 0.0000
220 0.5623 nan 0.1956 -0.0001
240 0.5601 nan 0.1956 -0.0000
260 0.5578 nan 0.1956 -0.0002
280 0.5563 nan 0.1956 -0.0001
300 0.5549 nan 0.1956 -0.0001
310 0.5533 nan 0.1956 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0009 nan 0.1958 0.0490
2 0.9256 nan 0.1958 0.0372
3 0.8812 nan 0.1958 0.0217
4 0.8433 nan 0.1958 0.0191
5 0.8189 nan 0.1958 0.0123
6 0.7987 nan 0.1958 0.0101
7 0.7802 nan 0.1958 0.0090
8 0.7639 nan 0.1958 0.0079
9 0.7512 nan 0.1958 0.0060
10 0.7383 nan 0.1958 0.0062
20 0.6680 nan 0.1958 0.0016
40 0.6263 nan 0.1958 0.0001
60 0.6092 nan 0.1958 -0.0000
80 0.5993 nan 0.1958 0.0000
100 0.5922 nan 0.1958 -0.0001
120 0.5865 nan 0.1958 0.0004
140 0.5823 nan 0.1958 -0.0001
160 0.5780 nan 0.1958 -0.0001
180 0.5736 nan 0.1958 -0.0001
200 0.5713 nan 0.1958 -0.0001
220 0.5690 nan 0.1958 -0.0002
240 0.5664 nan 0.1958 -0.0001
260 0.5647 nan 0.1958 -0.0000
280 0.5627 nan 0.1958 -0.0001
300 0.5616 nan 0.1958 -0.0002
320 0.5595 nan 0.1958 -0.0001
340 0.5581 nan 0.1958 -0.0001
360 0.5561 nan 0.1958 -0.0001
380 0.5545 nan 0.1958 -0.0001
400 0.5532 nan 0.1958 -0.0002
420 0.5514 nan 0.1958 -0.0001
440 0.5498 nan 0.1958 -0.0000
460 0.5484 nan 0.1958 -0.0001
467 0.5481 nan 0.1958 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0017 nan 0.1968 0.0505
2 0.9378 nan 0.1968 0.0308
3 0.8861 nan 0.1968 0.0248
4 0.8562 nan 0.1968 0.0146
5 0.8277 nan 0.1968 0.0144
6 0.8059 nan 0.1968 0.0106
7 0.7844 nan 0.1968 0.0107
8 0.7663 nan 0.1968 0.0090
9 0.7535 nan 0.1968 0.0062
10 0.7424 nan 0.1968 0.0052
20 0.6668 nan 0.1968 0.0030
40 0.6236 nan 0.1968 0.0004
60 0.6062 nan 0.1968 0.0001
80 0.5953 nan 0.1968 -0.0001
100 0.5884 nan 0.1968 0.0000
120 0.5810 nan 0.1968 -0.0001
140 0.5763 nan 0.1968 -0.0001
160 0.5734 nan 0.1968 -0.0001
180 0.5701 nan 0.1968 -0.0001
200 0.5674 nan 0.1968 -0.0001
220 0.5644 nan 0.1968 -0.0001
240 0.5628 nan 0.1968 -0.0002
260 0.5603 nan 0.1968 -0.0001
277 0.5583 nan 0.1968 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0017 nan 0.1973 0.0488
2 0.9390 nan 0.1973 0.0313
3 0.8869 nan 0.1973 0.0259
4 0.8513 nan 0.1973 0.0177
5 0.8248 nan 0.1973 0.0131
6 0.8052 nan 0.1973 0.0096
7 0.7834 nan 0.1973 0.0108
8 0.7694 nan 0.1973 0.0067
9 0.7541 nan 0.1973 0.0070
10 0.7443 nan 0.1973 0.0047
20 0.6687 nan 0.1973 0.0028
40 0.6256 nan 0.1973 0.0005
60 0.6098 nan 0.1973 -0.0000
80 0.5990 nan 0.1973 -0.0001
100 0.5909 nan 0.1973 0.0000
120 0.5857 nan 0.1973 0.0000
140 0.5804 nan 0.1973 0.0000
160 0.5766 nan 0.1973 -0.0001
180 0.5735 nan 0.1973 -0.0001
200 0.5706 nan 0.1973 -0.0000
220 0.5679 nan 0.1973 -0.0000
240 0.5652 nan 0.1973 0.0000
260 0.5633 nan 0.1973 -0.0001
280 0.5611 nan 0.1973 -0.0001
300 0.5598 nan 0.1973 -0.0002
320 0.5587 nan 0.1973 -0.0001
340 0.5568 nan 0.1973 -0.0001
360 0.5556 nan 0.1973 -0.0002
380 0.5533 nan 0.1973 -0.0001
400 0.5519 nan 0.1973 -0.0001
420 0.5511 nan 0.1973 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9862 nan 0.1983 0.0566
2 0.9134 nan 0.1983 0.0378
3 0.8632 nan 0.1983 0.0252
4 0.8212 nan 0.1983 0.0213
5 0.7910 nan 0.1983 0.0147
6 0.7714 nan 0.1983 0.0094
7 0.7560 nan 0.1983 0.0077
8 0.7389 nan 0.1983 0.0086
9 0.7257 nan 0.1983 0.0061
10 0.7134 nan 0.1983 0.0059
20 0.6449 nan 0.1983 0.0017
40 0.6076 nan 0.1983 0.0001
60 0.5914 nan 0.1983 0.0001
80 0.5811 nan 0.1983 0.0001
100 0.5746 nan 0.1983 -0.0001
120 0.5675 nan 0.1983 -0.0000
140 0.5628 nan 0.1983 -0.0002
160 0.5594 nan 0.1983 -0.0001
180 0.5558 nan 0.1983 -0.0000
200 0.5522 nan 0.1983 -0.0001
220 0.5487 nan 0.1983 -0.0001
240 0.5466 nan 0.1983 -0.0002
260 0.5446 nan 0.1983 -0.0001
280 0.5425 nan 0.1983 -0.0002
300 0.5406 nan 0.1983 0.0001
320 0.5378 nan 0.1983 -0.0002
340 0.5366 nan 0.1983 -0.0002
360 0.5353 nan 0.1983 -0.0001
380 0.5342 nan 0.1983 -0.0002
400 0.5329 nan 0.1983 -0.0002
420 0.5316 nan 0.1983 -0.0001
440 0.5297 nan 0.1983 -0.0002
460 0.5278 nan 0.1983 -0.0001
480 0.5261 nan 0.1983 -0.0002
500 0.5246 nan 0.1983 -0.0001
520 0.5232 nan 0.1983 -0.0001
540 0.5220 nan 0.1983 -0.0002
560 0.5199 nan 0.1983 0.0001
580 0.5184 nan 0.1983 -0.0002
594 0.5178 nan 0.1983 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9850 nan 0.1999 0.0579
2 0.9096 nan 0.1999 0.0381
3 0.8617 nan 0.1999 0.0236
4 0.8205 nan 0.1999 0.0202
5 0.7950 nan 0.1999 0.0123
6 0.7730 nan 0.1999 0.0110
7 0.7508 nan 0.1999 0.0109
8 0.7367 nan 0.1999 0.0067
9 0.7251 nan 0.1999 0.0058
10 0.7139 nan 0.1999 0.0053
20 0.6456 nan 0.1999 0.0018
40 0.6070 nan 0.1999 0.0003
60 0.5912 nan 0.1999 -0.0001
80 0.5798 nan 0.1999 -0.0001
100 0.5726 nan 0.1999 -0.0001
120 0.5660 nan 0.1999 -0.0001
140 0.5613 nan 0.1999 -0.0001
160 0.5566 nan 0.1999 -0.0001
180 0.5528 nan 0.1999 -0.0001
196 0.5494 nan 0.1999 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0917 nan 0.0116 0.0044
2 1.0832 nan 0.0116 0.0043
3 1.0751 nan 0.0116 0.0041
4 1.0672 nan 0.0116 0.0039
5 1.0596 nan 0.0116 0.0038
6 1.0521 nan 0.0116 0.0037
7 1.0449 nan 0.0116 0.0036
8 1.0380 nan 0.0116 0.0035
9 1.0312 nan 0.0116 0.0034
10 1.0246 nan 0.0116 0.0033
20 0.9670 nan 0.0116 0.0026
40 0.8845 nan 0.0116 0.0017
60 0.8285 nan 0.0116 0.0012
80 0.7879 nan 0.0116 0.0009
100 0.7563 nan 0.0116 0.0008
120 0.7310 nan 0.0116 0.0007
140 0.7114 nan 0.0116 0.0004
160 0.6945 nan 0.0116 0.0003
180 0.6807 nan 0.0116 0.0003
200 0.6693 nan 0.0116 0.0003
220 0.6600 nan 0.0116 0.0002
240 0.6516 nan 0.0116 0.0002
260 0.6444 nan 0.0116 0.0002
280 0.6377 nan 0.0116 0.0001
300 0.6322 nan 0.0116 0.0001
320 0.6275 nan 0.0116 0.0001
340 0.6227 nan 0.0116 0.0001
360 0.6184 nan 0.0116 0.0001
380 0.6145 nan 0.0116 0.0001
400 0.6112 nan 0.0116 0.0000
420 0.6082 nan 0.0116 0.0000
440 0.6053 nan 0.0116 0.0000
460 0.6028 nan 0.0116 0.0001
480 0.6002 nan 0.0116 0.0001
500 0.5980 nan 0.0116 0.0000
520 0.5961 nan 0.0116 0.0000
540 0.5940 nan 0.0116 0.0000
560 0.5919 nan 0.0116 0.0000
580 0.5902 nan 0.0116 -0.0000
600 0.5885 nan 0.0116 0.0000
620 0.5869 nan 0.0116 0.0000
628 0.5863 nan 0.0116 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0921 nan 0.0118 0.0042
2 1.0841 nan 0.0118 0.0041
3 1.0762 nan 0.0118 0.0039
4 1.0686 nan 0.0118 0.0037
5 1.0612 nan 0.0118 0.0037
6 1.0540 nan 0.0118 0.0036
7 1.0469 nan 0.0118 0.0036
8 1.0401 nan 0.0118 0.0033
9 1.0335 nan 0.0118 0.0033
10 1.0272 nan 0.0118 0.0032
20 0.9710 nan 0.0118 0.0025
40 0.8912 nan 0.0118 0.0016
60 0.8372 nan 0.0118 0.0011
80 0.7970 nan 0.0118 0.0009
100 0.7650 nan 0.0118 0.0007
120 0.7397 nan 0.0118 0.0004
140 0.7198 nan 0.0118 0.0004
160 0.7038 nan 0.0118 0.0003
180 0.6905 nan 0.0118 0.0003
200 0.6796 nan 0.0118 0.0002
220 0.6700 nan 0.0118 0.0002
240 0.6613 nan 0.0118 0.0001
260 0.6543 nan 0.0118 0.0002
280 0.6481 nan 0.0118 0.0002
300 0.6424 nan 0.0118 0.0001
320 0.6374 nan 0.0118 0.0001
340 0.6330 nan 0.0118 0.0001
360 0.6293 nan 0.0118 0.0001
366 0.6282 nan 0.0118 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0909 nan 0.0134 0.0048
2 1.0818 nan 0.0134 0.0045
3 1.0729 nan 0.0134 0.0045
4 1.0642 nan 0.0134 0.0043
5 1.0558 nan 0.0134 0.0042
6 1.0478 nan 0.0134 0.0041
7 1.0402 nan 0.0134 0.0039
8 1.0326 nan 0.0134 0.0037
9 1.0253 nan 0.0134 0.0037
10 1.0184 nan 0.0134 0.0035
20 0.9574 nan 0.0134 0.0026
40 0.8736 nan 0.0134 0.0016
60 0.8189 nan 0.0134 0.0011
80 0.7780 nan 0.0134 0.0007
100 0.7479 nan 0.0134 0.0006
120 0.7239 nan 0.0134 0.0005
140 0.7044 nan 0.0134 0.0003
160 0.6890 nan 0.0134 0.0004
180 0.6764 nan 0.0134 0.0002
200 0.6666 nan 0.0134 0.0002
220 0.6572 nan 0.0134 0.0002
240 0.6492 nan 0.0134 0.0001
260 0.6429 nan 0.0134 0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0885 nan 0.0164 0.0059
2 1.0773 nan 0.0164 0.0056
3 1.0667 nan 0.0164 0.0053
4 1.0566 nan 0.0164 0.0050
5 1.0467 nan 0.0164 0.0049
6 1.0373 nan 0.0164 0.0046
7 1.0282 nan 0.0164 0.0046
8 1.0193 nan 0.0164 0.0043
9 1.0108 nan 0.0164 0.0042
10 1.0025 nan 0.0164 0.0042
20 0.9346 nan 0.0164 0.0030
40 0.8467 nan 0.0164 0.0017
60 0.7901 nan 0.0164 0.0014
80 0.7504 nan 0.0164 0.0008
100 0.7218 nan 0.0164 0.0005
120 0.7000 nan 0.0164 0.0004
140 0.6824 nan 0.0164 0.0004
160 0.6690 nan 0.0164 0.0003
180 0.6577 nan 0.0164 0.0003
200 0.6483 nan 0.0164 0.0001
220 0.6409 nan 0.0164 0.0001
240 0.6341 nan 0.0164 0.0002
260 0.6282 nan 0.0164 0.0001
280 0.6231 nan 0.0164 0.0000
300 0.6181 nan 0.0164 0.0001
320 0.6143 nan 0.0164 0.0001
340 0.6108 nan 0.0164 0.0001
360 0.6076 nan 0.0164 0.0000
380 0.6043 nan 0.0164 0.0000
400 0.6015 nan 0.0164 0.0000
420 0.5989 nan 0.0164 0.0000
440 0.5969 nan 0.0164 0.0000
460 0.5946 nan 0.0164 0.0000
480 0.5926 nan 0.0164 -0.0000
500 0.5907 nan 0.0164 0.0000
520 0.5889 nan 0.0164 0.0000
540 0.5872 nan 0.0164 0.0000
560 0.5857 nan 0.0164 0.0000
580 0.5844 nan 0.0164 0.0000
600 0.5830 nan 0.0164 -0.0000
620 0.5813 nan 0.0164 -0.0000
640 0.5801 nan 0.0164 0.0000
660 0.5788 nan 0.0164 -0.0000
680 0.5776 nan 0.0164 0.0000
700 0.5767 nan 0.0164 -0.0000
720 0.5756 nan 0.0164 0.0000
740 0.5746 nan 0.0164 -0.0000
760 0.5736 nan 0.0164 -0.0000
780 0.5726 nan 0.0164 0.0000
800 0.5716 nan 0.0164 -0.0000
820 0.5707 nan 0.0164 -0.0000
840 0.5699 nan 0.0164 -0.0000
860 0.5690 nan 0.0164 0.0000
880 0.5682 nan 0.0164 0.0000
900 0.5673 nan 0.0164 0.0000
920 0.5666 nan 0.0164 -0.0000
940 0.5659 nan 0.0164 -0.0000
960 0.5652 nan 0.0164 0.0000
980 0.5646 nan 0.0164 -0.0000
985 0.5644 nan 0.0164 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0898 nan 0.0166 0.0053
2 1.0795 nan 0.0166 0.0051
3 1.0697 nan 0.0166 0.0050
4 1.0604 nan 0.0166 0.0046
5 1.0512 nan 0.0166 0.0045
6 1.0423 nan 0.0166 0.0045
7 1.0339 nan 0.0166 0.0042
8 1.0258 nan 0.0166 0.0041
9 1.0177 nan 0.0166 0.0040
10 1.0101 nan 0.0166 0.0038
20 0.9450 nan 0.0166 0.0028
40 0.8562 nan 0.0166 0.0018
60 0.8004 nan 0.0166 0.0012
80 0.7640 nan 0.0166 0.0009
100 0.7361 nan 0.0166 0.0005
120 0.7147 nan 0.0166 0.0004
136 0.7004 nan 0.0166 0.0005
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0873 nan 0.0205 0.0065
2 1.0746 nan 0.0205 0.0061
3 1.0627 nan 0.0205 0.0059
4 1.0514 nan 0.0205 0.0057
5 1.0406 nan 0.0205 0.0053
6 1.0301 nan 0.0205 0.0052
7 1.0200 nan 0.0205 0.0051
8 1.0104 nan 0.0205 0.0048
9 1.0013 nan 0.0205 0.0045
10 0.9924 nan 0.0205 0.0044
20 0.9203 nan 0.0205 0.0031
40 0.8264 nan 0.0205 0.0016
60 0.7733 nan 0.0205 0.0012
80 0.7384 nan 0.0205 0.0009
100 0.7114 nan 0.0205 0.0007
120 0.6907 nan 0.0205 0.0004
140 0.6752 nan 0.0205 0.0003
160 0.6626 nan 0.0205 0.0003
180 0.6522 nan 0.0205 0.0002
200 0.6443 nan 0.0205 0.0002
220 0.6375 nan 0.0205 0.0002
240 0.6318 nan 0.0205 0.0001
260 0.6268 nan 0.0205 0.0001
280 0.6228 nan 0.0205 0.0001
300 0.6193 nan 0.0205 0.0001
320 0.6160 nan 0.0205 0.0001
340 0.6130 nan 0.0205 0.0000
360 0.6104 nan 0.0205 0.0000
380 0.6077 nan 0.0205 0.0001
400 0.6052 nan 0.0205 0.0000
420 0.6031 nan 0.0205 0.0000
440 0.6009 nan 0.0205 0.0000
460 0.5990 nan 0.0205 0.0000
480 0.5973 nan 0.0205 0.0000
500 0.5957 nan 0.0205 0.0000
520 0.5941 nan 0.0205 0.0000
540 0.5927 nan 0.0205 0.0000
560 0.5915 nan 0.0205 -0.0000
580 0.5901 nan 0.0205 0.0000
600 0.5888 nan 0.0205 0.0000
620 0.5875 nan 0.0205 -0.0000
640 0.5862 nan 0.0205 -0.0000
660 0.5851 nan 0.0205 -0.0000
680 0.5841 nan 0.0205 -0.0000
700 0.5832 nan 0.0205 -0.0000
720 0.5822 nan 0.0205 0.0000
740 0.5813 nan 0.0205 0.0000
760 0.5803 nan 0.0205 0.0000
780 0.5796 nan 0.0205 -0.0000
800 0.5788 nan 0.0205 -0.0000
820 0.5780 nan 0.0205 0.0000
840 0.5772 nan 0.0205 -0.0000
860 0.5764 nan 0.0205 -0.0000
880 0.5757 nan 0.0205 -0.0000
900 0.5750 nan 0.0205 -0.0000
920 0.5744 nan 0.0205 -0.0000
940 0.5737 nan 0.0205 0.0000
950 0.5732 nan 0.0205 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0797 nan 0.0280 0.0105
2 1.0608 nan 0.0280 0.0096
3 1.0428 nan 0.0280 0.0090
4 1.0261 nan 0.0280 0.0081
5 1.0107 nan 0.0280 0.0077
6 0.9961 nan 0.0280 0.0072
7 0.9827 nan 0.0280 0.0068
8 0.9701 nan 0.0280 0.0063
9 0.9574 nan 0.0280 0.0062
10 0.9459 nan 0.0280 0.0057
20 0.8574 nan 0.0280 0.0035
40 0.7601 nan 0.0280 0.0019
60 0.7066 nan 0.0280 0.0009
80 0.6725 nan 0.0280 0.0006
100 0.6506 nan 0.0280 0.0005
120 0.6345 nan 0.0280 0.0003
140 0.6224 nan 0.0280 0.0002
160 0.6133 nan 0.0280 0.0001
180 0.6055 nan 0.0280 0.0001
200 0.5993 nan 0.0280 0.0001
220 0.5940 nan 0.0280 0.0000
240 0.5893 nan 0.0280 0.0001
260 0.5855 nan 0.0280 0.0001
280 0.5814 nan 0.0280 0.0000
300 0.5783 nan 0.0280 0.0000
320 0.5755 nan 0.0280 0.0000
340 0.5726 nan 0.0280 0.0000
360 0.5703 nan 0.0280 -0.0000
380 0.5678 nan 0.0280 0.0001
400 0.5660 nan 0.0280 0.0000
420 0.5643 nan 0.0280 -0.0000
440 0.5626 nan 0.0280 -0.0000
460 0.5606 nan 0.0280 -0.0000
480 0.5589 nan 0.0280 0.0000
500 0.5573 nan 0.0280 0.0000
520 0.5558 nan 0.0280 -0.0000
540 0.5543 nan 0.0280 -0.0000
560 0.5526 nan 0.0280 -0.0000
580 0.5511 nan 0.0280 -0.0000
600 0.5496 nan 0.0280 -0.0000
620 0.5481 nan 0.0280 -0.0000
640 0.5467 nan 0.0280 -0.0000
660 0.5455 nan 0.0280 -0.0000
680 0.5442 nan 0.0280 -0.0000
700 0.5431 nan 0.0280 -0.0000
720 0.5417 nan 0.0280 0.0000
740 0.5406 nan 0.0280 -0.0000
760 0.5391 nan 0.0280 -0.0000
780 0.5380 nan 0.0280 -0.0000
800 0.5367 nan 0.0280 -0.0000
820 0.5354 nan 0.0280 -0.0000
840 0.5345 nan 0.0280 -0.0000
860 0.5335 nan 0.0280 -0.0000
880 0.5326 nan 0.0280 -0.0000
900 0.5315 nan 0.0280 -0.0000
918 0.5306 nan 0.0280 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0884 nan 0.0292 0.0059
2 1.0771 nan 0.0292 0.0055
3 1.0669 nan 0.0292 0.0052
4 1.0570 nan 0.0292 0.0049
5 1.0477 nan 0.0292 0.0046
6 1.0389 nan 0.0292 0.0044
7 1.0305 nan 0.0292 0.0041
8 1.0225 nan 0.0292 0.0039
9 1.0151 nan 0.0292 0.0037
10 1.0078 nan 0.0292 0.0035
20 0.9518 nan 0.0292 0.0021
40 0.8741 nan 0.0292 0.0017
60 0.8256 nan 0.0292 0.0009
80 0.7913 nan 0.0292 0.0006
100 0.7656 nan 0.0292 0.0005
120 0.7448 nan 0.0292 0.0005
140 0.7278 nan 0.0292 0.0003
160 0.7142 nan 0.0292 0.0003
180 0.7015 nan 0.0292 0.0003
200 0.6922 nan 0.0292 0.0001
220 0.6828 nan 0.0292 0.0002
240 0.6749 nan 0.0292 0.0001
260 0.6680 nan 0.0292 0.0002
280 0.6622 nan 0.0292 0.0001
300 0.6572 nan 0.0292 0.0001
320 0.6524 nan 0.0292 0.0001
340 0.6487 nan 0.0292 0.0000
360 0.6453 nan 0.0292 0.0001
380 0.6425 nan 0.0292 0.0000
400 0.6396 nan 0.0292 0.0001
420 0.6371 nan 0.0292 0.0001
440 0.6343 nan 0.0292 0.0001
460 0.6322 nan 0.0292 0.0000
480 0.6301 nan 0.0292 0.0000
500 0.6284 nan 0.0292 0.0000
520 0.6265 nan 0.0292 0.0000
540 0.6249 nan 0.0292 0.0000
560 0.6233 nan 0.0292 0.0000
580 0.6221 nan 0.0292 0.0000
600 0.6208 nan 0.0292 0.0000
620 0.6193 nan 0.0292 0.0000
640 0.6181 nan 0.0292 0.0000
660 0.6169 nan 0.0292 0.0000
676 0.6158 nan 0.0292 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0789 nan 0.0297 0.0104
2 1.0595 nan 0.0297 0.0098
3 1.0419 nan 0.0297 0.0088
4 1.0252 nan 0.0297 0.0084
5 1.0096 nan 0.0297 0.0077
6 0.9950 nan 0.0297 0.0072
7 0.9811 nan 0.0297 0.0070
8 0.9684 nan 0.0297 0.0063
9 0.9558 nan 0.0297 0.0064
10 0.9440 nan 0.0297 0.0060
20 0.8584 nan 0.0297 0.0033
40 0.7622 nan 0.0297 0.0018
60 0.7098 nan 0.0297 0.0010
80 0.6772 nan 0.0297 0.0004
100 0.6557 nan 0.0297 0.0004
120 0.6407 nan 0.0297 0.0004
140 0.6290 nan 0.0297 0.0002
160 0.6197 nan 0.0297 0.0002
180 0.6125 nan 0.0297 0.0001
200 0.6072 nan 0.0297 0.0002
220 0.6014 nan 0.0297 0.0001
240 0.5970 nan 0.0297 0.0001
260 0.5929 nan 0.0297 0.0001
280 0.5888 nan 0.0297 0.0001
300 0.5858 nan 0.0297 0.0000
320 0.5827 nan 0.0297 0.0001
340 0.5798 nan 0.0297 0.0000
360 0.5773 nan 0.0297 0.0000
380 0.5753 nan 0.0297 -0.0000
400 0.5734 nan 0.0297 -0.0000
401 0.5733 nan 0.0297 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0836 nan 0.0300 0.0083
2 1.0685 nan 0.0300 0.0076
3 1.0542 nan 0.0300 0.0071
4 1.0407 nan 0.0300 0.0066
5 1.0277 nan 0.0300 0.0065
6 1.0158 nan 0.0300 0.0060
7 1.0047 nan 0.0300 0.0056
8 0.9941 nan 0.0300 0.0051
9 0.9841 nan 0.0300 0.0050
10 0.9744 nan 0.0300 0.0048
20 0.8894 nan 0.0300 0.0030
40 0.8050 nan 0.0300 0.0013
60 0.7553 nan 0.0300 0.0012
80 0.7227 nan 0.0300 0.0006
100 0.6981 nan 0.0300 0.0005
120 0.6803 nan 0.0300 0.0003
140 0.6658 nan 0.0300 0.0003
160 0.6550 nan 0.0300 0.0002
180 0.6471 nan 0.0300 0.0002
200 0.6401 nan 0.0300 0.0001
220 0.6347 nan 0.0300 0.0001
240 0.6295 nan 0.0300 0.0000
260 0.6254 nan 0.0300 0.0001
280 0.6218 nan 0.0300 0.0001
300 0.6190 nan 0.0300 0.0000
320 0.6159 nan 0.0300 0.0000
340 0.6131 nan 0.0300 0.0000
360 0.6106 nan 0.0300 0.0000
380 0.6084 nan 0.0300 0.0000
400 0.6063 nan 0.0300 0.0001
420 0.6047 nan 0.0300 0.0000
440 0.6027 nan 0.0300 -0.0000
460 0.6012 nan 0.0300 -0.0000
480 0.5996 nan 0.0300 0.0000
500 0.5983 nan 0.0300 0.0001
520 0.5969 nan 0.0300 0.0000
540 0.5954 nan 0.0300 0.0000
560 0.5942 nan 0.0300 -0.0000
580 0.5928 nan 0.0300 0.0000
600 0.5918 nan 0.0300 -0.0000
620 0.5906 nan 0.0300 0.0000
640 0.5896 nan 0.0300 -0.0000
660 0.5885 nan 0.0300 -0.0000
680 0.5876 nan 0.0300 -0.0000
700 0.5867 nan 0.0300 0.0000
720 0.5857 nan 0.0300 -0.0000
740 0.5849 nan 0.0300 0.0000
760 0.5841 nan 0.0300 -0.0000
780 0.5834 nan 0.0300 -0.0000
800 0.5828 nan 0.0300 -0.0000
820 0.5820 nan 0.0300 -0.0000
840 0.5813 nan 0.0300 0.0000
860 0.5806 nan 0.0300 0.0000
880 0.5800 nan 0.0300 0.0000
900 0.5793 nan 0.0300 -0.0000
920 0.5785 nan 0.0300 0.0000
940 0.5779 nan 0.0300 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0795 nan 0.0324 0.0103
2 1.0608 nan 0.0324 0.0094
3 1.0431 nan 0.0324 0.0086
4 1.0264 nan 0.0324 0.0082
5 1.0105 nan 0.0324 0.0078
6 0.9964 nan 0.0324 0.0069
7 0.9832 nan 0.0324 0.0068
8 0.9705 nan 0.0324 0.0064
9 0.9588 nan 0.0324 0.0059
10 0.9479 nan 0.0324 0.0054
20 0.8586 nan 0.0324 0.0037
40 0.7677 nan 0.0324 0.0019
60 0.7178 nan 0.0324 0.0010
80 0.6856 nan 0.0324 0.0006
100 0.6629 nan 0.0324 0.0005
120 0.6477 nan 0.0324 0.0003
140 0.6368 nan 0.0324 0.0002
160 0.6285 nan 0.0324 0.0002
180 0.6213 nan 0.0324 0.0001
195 0.6167 nan 0.0324 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0798 nan 0.0327 0.0105
2 1.0612 nan 0.0327 0.0094
3 1.0427 nan 0.0327 0.0093
4 1.0262 nan 0.0327 0.0082
5 1.0104 nan 0.0327 0.0079
6 0.9958 nan 0.0327 0.0073
7 0.9823 nan 0.0327 0.0067
8 0.9689 nan 0.0327 0.0064
9 0.9565 nan 0.0327 0.0061
10 0.9454 nan 0.0327 0.0056
20 0.8560 nan 0.0327 0.0037
40 0.7646 nan 0.0327 0.0013
60 0.7164 nan 0.0327 0.0010
80 0.6841 nan 0.0327 0.0007
100 0.6629 nan 0.0327 0.0004
120 0.6485 nan 0.0327 0.0003
140 0.6371 nan 0.0327 0.0003
160 0.6288 nan 0.0327 0.0003
180 0.6218 nan 0.0327 0.0001
200 0.6166 nan 0.0327 0.0001
220 0.6119 nan 0.0327 0.0001
240 0.6081 nan 0.0327 0.0000
260 0.6047 nan 0.0327 0.0001
280 0.6014 nan 0.0327 0.0000
300 0.5988 nan 0.0327 0.0000
320 0.5958 nan 0.0327 0.0000
340 0.5936 nan 0.0327 -0.0000
360 0.5917 nan 0.0327 0.0000
380 0.5897 nan 0.0327 0.0000
400 0.5876 nan 0.0327 -0.0000
420 0.5858 nan 0.0327 -0.0000
439 0.5842 nan 0.0327 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0860 nan 0.0359 0.0072
2 1.0726 nan 0.0359 0.0067
3 1.0605 nan 0.0359 0.0062
4 1.0489 nan 0.0359 0.0058
5 1.0383 nan 0.0359 0.0054
6 1.0282 nan 0.0359 0.0050
7 1.0194 nan 0.0359 0.0044
8 1.0100 nan 0.0359 0.0046
9 1.0023 nan 0.0359 0.0039
10 0.9937 nan 0.0359 0.0043
20 0.9299 nan 0.0359 0.0029
40 0.8496 nan 0.0359 0.0015
60 0.8010 nan 0.0359 0.0007
80 0.7676 nan 0.0359 0.0006
100 0.7418 nan 0.0359 0.0005
120 0.7226 nan 0.0359 0.0004
140 0.7072 nan 0.0359 0.0002
160 0.6926 nan 0.0359 0.0002
180 0.6820 nan 0.0359 0.0002
200 0.6731 nan 0.0359 0.0001
220 0.6650 nan 0.0359 0.0002
240 0.6577 nan 0.0359 0.0001
260 0.6527 nan 0.0359 0.0001
280 0.6483 nan 0.0359 0.0000
300 0.6437 nan 0.0359 0.0001
320 0.6403 nan 0.0359 0.0001
340 0.6372 nan 0.0359 0.0001
360 0.6338 nan 0.0359 0.0000
380 0.6315 nan 0.0359 0.0001
400 0.6291 nan 0.0359 0.0000
420 0.6269 nan 0.0359 0.0000
440 0.6244 nan 0.0359 -0.0000
460 0.6228 nan 0.0359 0.0001
480 0.6212 nan 0.0359 0.0000
500 0.6192 nan 0.0359 0.0000
520 0.6177 nan 0.0359 0.0000
540 0.6163 nan 0.0359 0.0000
560 0.6150 nan 0.0359 -0.0000
580 0.6137 nan 0.0359 0.0000
600 0.6122 nan 0.0359 0.0001
620 0.6109 nan 0.0359 0.0001
640 0.6098 nan 0.0359 -0.0000
660 0.6087 nan 0.0359 0.0000
680 0.6078 nan 0.0359 0.0000
700 0.6069 nan 0.0359 0.0000
720 0.6060 nan 0.0359 0.0000
740 0.6052 nan 0.0359 0.0000
760 0.6041 nan 0.0359 -0.0000
780 0.6032 nan 0.0359 0.0000
800 0.6023 nan 0.0359 0.0000
820 0.6016 nan 0.0359 -0.0000
840 0.6008 nan 0.0359 -0.0000
855 0.6002 nan 0.0359 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0737 nan 0.0373 0.0130
2 1.0500 nan 0.0373 0.0119
3 1.0288 nan 0.0373 0.0107
4 1.0094 nan 0.0373 0.0098
5 0.9914 nan 0.0373 0.0090
6 0.9748 nan 0.0373 0.0086
7 0.9594 nan 0.0373 0.0076
8 0.9448 nan 0.0373 0.0071
9 0.9314 nan 0.0373 0.0068
10 0.9186 nan 0.0373 0.0065
20 0.8282 nan 0.0373 0.0033
40 0.7322 nan 0.0373 0.0018
60 0.6840 nan 0.0373 0.0008
80 0.6565 nan 0.0373 0.0005
100 0.6380 nan 0.0373 0.0002
120 0.6248 nan 0.0373 0.0003
140 0.6153 nan 0.0373 0.0001
160 0.6084 nan 0.0373 0.0002
180 0.6031 nan 0.0373 0.0001
200 0.5986 nan 0.0373 0.0000
220 0.5943 nan 0.0373 0.0001
240 0.5909 nan 0.0373 0.0000
260 0.5882 nan 0.0373 0.0000
280 0.5855 nan 0.0373 -0.0000
300 0.5832 nan 0.0373 -0.0000
320 0.5813 nan 0.0373 -0.0000
340 0.5792 nan 0.0373 0.0000
360 0.5774 nan 0.0373 0.0000
380 0.5756 nan 0.0373 -0.0000
400 0.5741 nan 0.0373 -0.0000
420 0.5727 nan 0.0373 -0.0000
440 0.5713 nan 0.0373 -0.0000
460 0.5699 nan 0.0373 -0.0000
480 0.5685 nan 0.0373 -0.0000
500 0.5674 nan 0.0373 -0.0000
520 0.5659 nan 0.0373 -0.0000
527 0.5654 nan 0.0373 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0735 nan 0.0379 0.0132
2 1.0496 nan 0.0379 0.0120
3 1.0277 nan 0.0379 0.0109
4 1.0076 nan 0.0379 0.0096
5 0.9893 nan 0.0379 0.0092
6 0.9717 nan 0.0379 0.0088
7 0.9563 nan 0.0379 0.0077
8 0.9419 nan 0.0379 0.0071
9 0.9284 nan 0.0379 0.0066
10 0.9157 nan 0.0379 0.0063
20 0.8253 nan 0.0379 0.0033
40 0.7308 nan 0.0379 0.0018
60 0.6821 nan 0.0379 0.0006
80 0.6533 nan 0.0379 0.0006
100 0.6361 nan 0.0379 0.0004
120 0.6234 nan 0.0379 0.0002
140 0.6143 nan 0.0379 0.0001
160 0.6075 nan 0.0379 0.0001
180 0.6019 nan 0.0379 0.0001
200 0.5969 nan 0.0379 0.0001
220 0.5927 nan 0.0379 -0.0000
240 0.5885 nan 0.0379 0.0000
260 0.5856 nan 0.0379 0.0000
280 0.5830 nan 0.0379 0.0000
300 0.5804 nan 0.0379 -0.0000
320 0.5783 nan 0.0379 -0.0000
340 0.5760 nan 0.0379 0.0001
342 0.5757 nan 0.0379 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0751 nan 0.0398 0.0126
2 1.0522 nan 0.0398 0.0114
3 1.0310 nan 0.0398 0.0102
4 1.0113 nan 0.0398 0.0096
5 0.9936 nan 0.0398 0.0088
6 0.9766 nan 0.0398 0.0084
7 0.9609 nan 0.0398 0.0077
8 0.9466 nan 0.0398 0.0070
9 0.9337 nan 0.0398 0.0066
10 0.9218 nan 0.0398 0.0061
20 0.8296 nan 0.0398 0.0037
40 0.7399 nan 0.0398 0.0017
60 0.6939 nan 0.0398 0.0007
80 0.6650 nan 0.0398 0.0005
100 0.6472 nan 0.0398 0.0003
120 0.6347 nan 0.0398 0.0001
140 0.6243 nan 0.0398 0.0002
160 0.6161 nan 0.0398 0.0001
180 0.6102 nan 0.0398 0.0001
200 0.6043 nan 0.0398 0.0001
220 0.6002 nan 0.0398 0.0000
240 0.5967 nan 0.0398 0.0000
260 0.5932 nan 0.0398 0.0000
280 0.5906 nan 0.0398 0.0000
300 0.5882 nan 0.0398 0.0000
320 0.5857 nan 0.0398 -0.0000
340 0.5833 nan 0.0398 0.0001
360 0.5816 nan 0.0398 0.0001
380 0.5792 nan 0.0398 -0.0000
400 0.5772 nan 0.0398 0.0000
420 0.5753 nan 0.0398 -0.0000
440 0.5737 nan 0.0398 -0.0000
460 0.5722 nan 0.0398 0.0000
480 0.5707 nan 0.0398 0.0000
500 0.5697 nan 0.0398 -0.0000
520 0.5686 nan 0.0398 -0.0000
540 0.5669 nan 0.0398 -0.0000
560 0.5655 nan 0.0398 -0.0000
580 0.5643 nan 0.0398 -0.0000
600 0.5629 nan 0.0398 -0.0000
620 0.5619 nan 0.0398 -0.0000
640 0.5611 nan 0.0398 -0.0000
660 0.5599 nan 0.0398 -0.0000
680 0.5588 nan 0.0398 -0.0000
700 0.5580 nan 0.0398 0.0001
720 0.5573 nan 0.0398 -0.0000
740 0.5565 nan 0.0398 -0.0000
760 0.5555 nan 0.0398 -0.0000
780 0.5547 nan 0.0398 -0.0000
800 0.5540 nan 0.0398 -0.0000
820 0.5533 nan 0.0398 0.0001
840 0.5525 nan 0.0398 -0.0000
860 0.5517 nan 0.0398 -0.0000
880 0.5511 nan 0.0398 -0.0000
900 0.5503 nan 0.0398 -0.0000
919 0.5496 nan 0.0398 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0837 nan 0.0410 0.0083
2 1.0686 nan 0.0410 0.0075
3 1.0546 nan 0.0410 0.0069
4 1.0419 nan 0.0410 0.0064
5 1.0301 nan 0.0410 0.0059
6 1.0192 nan 0.0410 0.0054
7 1.0092 nan 0.0410 0.0051
8 0.9993 nan 0.0410 0.0049
9 0.9908 nan 0.0410 0.0043
10 0.9817 nan 0.0410 0.0045
20 0.9140 nan 0.0410 0.0030
40 0.8321 nan 0.0410 0.0018
60 0.7857 nan 0.0410 0.0009
80 0.7519 nan 0.0410 0.0008
100 0.7271 nan 0.0410 0.0005
120 0.7079 nan 0.0410 0.0003
140 0.6929 nan 0.0410 0.0004
160 0.6803 nan 0.0410 0.0001
180 0.6703 nan 0.0410 0.0003
200 0.6619 nan 0.0410 0.0001
220 0.6547 nan 0.0410 0.0001
240 0.6489 nan 0.0410 0.0001
260 0.6447 nan 0.0410 0.0001
280 0.6401 nan 0.0410 0.0001
284 0.6395 nan 0.0410 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0672 nan 0.0452 0.0167
2 1.0377 nan 0.0452 0.0144
3 1.0115 nan 0.0452 0.0131
4 0.9881 nan 0.0452 0.0116
5 0.9670 nan 0.0452 0.0103
6 0.9480 nan 0.0452 0.0094
7 0.9304 nan 0.0452 0.0088
8 0.9139 nan 0.0452 0.0079
9 0.8986 nan 0.0452 0.0076
10 0.8844 nan 0.0452 0.0071
20 0.7893 nan 0.0452 0.0034
40 0.6960 nan 0.0452 0.0015
60 0.6531 nan 0.0452 0.0008
80 0.6289 nan 0.0452 0.0001
100 0.6122 nan 0.0452 0.0002
120 0.6019 nan 0.0452 0.0002
140 0.5921 nan 0.0452 0.0000
160 0.5852 nan 0.0452 0.0001
180 0.5798 nan 0.0452 -0.0000
200 0.5756 nan 0.0452 0.0000
220 0.5714 nan 0.0452 -0.0001
240 0.5680 nan 0.0452 0.0000
260 0.5650 nan 0.0452 -0.0000
280 0.5614 nan 0.0452 -0.0000
300 0.5586 nan 0.0452 -0.0000
302 0.5582 nan 0.0452 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0819 nan 0.0466 0.0093
2 1.0649 nan 0.0466 0.0085
3 1.0495 nan 0.0466 0.0077
4 1.0351 nan 0.0466 0.0070
5 1.0221 nan 0.0466 0.0063
6 1.0104 nan 0.0466 0.0058
7 0.9992 nan 0.0466 0.0055
8 0.9896 nan 0.0466 0.0048
9 0.9795 nan 0.0466 0.0052
10 0.9715 nan 0.0466 0.0040
20 0.9013 nan 0.0466 0.0033
40 0.8165 nan 0.0466 0.0016
60 0.7697 nan 0.0466 0.0009
80 0.7375 nan 0.0466 0.0007
100 0.7134 nan 0.0466 0.0005
120 0.6951 nan 0.0466 0.0002
140 0.6812 nan 0.0466 0.0003
160 0.6693 nan 0.0466 0.0004
180 0.6599 nan 0.0466 0.0001
200 0.6522 nan 0.0466 0.0002
220 0.6464 nan 0.0466 0.0001
240 0.6415 nan 0.0466 0.0001
260 0.6371 nan 0.0466 0.0000
280 0.6334 nan 0.0466 0.0000
300 0.6301 nan 0.0466 0.0000
320 0.6273 nan 0.0466 0.0000
340 0.6246 nan 0.0466 0.0001
360 0.6227 nan 0.0466 0.0001
380 0.6205 nan 0.0466 -0.0000
386 0.6196 nan 0.0466 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0685 nan 0.0467 0.0159
2 1.0393 nan 0.0467 0.0146
3 1.0139 nan 0.0467 0.0127
4 0.9903 nan 0.0467 0.0116
5 0.9696 nan 0.0467 0.0106
6 0.9507 nan 0.0467 0.0095
7 0.9335 nan 0.0467 0.0086
8 0.9176 nan 0.0467 0.0078
9 0.9024 nan 0.0467 0.0076
10 0.8891 nan 0.0467 0.0066
20 0.7957 nan 0.0467 0.0037
40 0.7054 nan 0.0467 0.0015
60 0.6601 nan 0.0467 0.0008
80 0.6365 nan 0.0467 0.0003
100 0.6210 nan 0.0467 0.0004
120 0.6102 nan 0.0467 0.0002
140 0.6010 nan 0.0467 0.0002
160 0.5938 nan 0.0467 0.0000
180 0.5892 nan 0.0467 0.0000
200 0.5842 nan 0.0467 0.0002
220 0.5810 nan 0.0467 -0.0000
240 0.5777 nan 0.0467 -0.0001
260 0.5746 nan 0.0467 0.0001
280 0.5715 nan 0.0467 0.0000
300 0.5690 nan 0.0467 0.0000
320 0.5667 nan 0.0467 -0.0000
340 0.5645 nan 0.0467 -0.0000
360 0.5626 nan 0.0467 -0.0000
380 0.5611 nan 0.0467 -0.0000
400 0.5592 nan 0.0467 -0.0001
420 0.5575 nan 0.0467 -0.0000
440 0.5559 nan 0.0467 -0.0000
460 0.5542 nan 0.0467 0.0001
480 0.5529 nan 0.0467 -0.0000
500 0.5509 nan 0.0467 0.0000
520 0.5495 nan 0.0467 -0.0000
540 0.5481 nan 0.0467 -0.0000
560 0.5465 nan 0.0467 0.0000
580 0.5447 nan 0.0467 0.0001
600 0.5435 nan 0.0467 -0.0000
620 0.5424 nan 0.0467 -0.0000
640 0.5415 nan 0.0467 -0.0001
660 0.5405 nan 0.0467 -0.0000
680 0.5394 nan 0.0467 -0.0000
700 0.5385 nan 0.0467 -0.0000
720 0.5374 nan 0.0467 -0.0000
740 0.5361 nan 0.0467 -0.0000
753 0.5356 nan 0.0467 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0689 nan 0.0497 0.0159
2 1.0416 nan 0.0497 0.0136
3 1.0166 nan 0.0497 0.0123
4 0.9932 nan 0.0497 0.0115
5 0.9725 nan 0.0497 0.0102
6 0.9538 nan 0.0497 0.0092
7 0.9371 nan 0.0497 0.0085
8 0.9217 nan 0.0497 0.0075
9 0.9069 nan 0.0497 0.0073
10 0.8936 nan 0.0497 0.0064
20 0.7984 nan 0.0497 0.0027
40 0.7138 nan 0.0497 0.0014
60 0.6705 nan 0.0497 0.0009
80 0.6458 nan 0.0497 0.0003
100 0.6310 nan 0.0497 0.0001
120 0.6204 nan 0.0497 0.0002
140 0.6119 nan 0.0497 0.0002
160 0.6055 nan 0.0497 0.0001
180 0.5999 nan 0.0497 0.0000
200 0.5955 nan 0.0497 0.0000
220 0.5920 nan 0.0497 0.0000
240 0.5886 nan 0.0497 -0.0000
260 0.5854 nan 0.0497 -0.0000
280 0.5824 nan 0.0497 0.0000
300 0.5804 nan 0.0497 -0.0000
320 0.5782 nan 0.0497 0.0000
340 0.5760 nan 0.0497 -0.0000
360 0.5739 nan 0.0497 0.0001
380 0.5719 nan 0.0497 0.0001
400 0.5703 nan 0.0497 -0.0000
420 0.5686 nan 0.0497 0.0000
440 0.5673 nan 0.0497 0.0000
460 0.5661 nan 0.0497 -0.0000
480 0.5647 nan 0.0497 -0.0000
500 0.5633 nan 0.0497 -0.0000
520 0.5623 nan 0.0497 -0.0000
540 0.5610 nan 0.0497 -0.0000
553 0.5603 nan 0.0497 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0728 nan 0.0500 0.0138
2 1.0487 nan 0.0500 0.0121
3 1.0271 nan 0.0500 0.0106
4 1.0071 nan 0.0500 0.0102
5 0.9898 nan 0.0500 0.0089
6 0.9734 nan 0.0500 0.0080
7 0.9589 nan 0.0500 0.0073
8 0.9417 nan 0.0500 0.0086
9 0.9260 nan 0.0500 0.0077
10 0.9124 nan 0.0500 0.0069
20 0.8250 nan 0.0500 0.0028
40 0.7425 nan 0.0500 0.0017
60 0.6985 nan 0.0500 0.0006
80 0.6696 nan 0.0500 0.0005
100 0.6517 nan 0.0500 0.0004
120 0.6398 nan 0.0500 0.0002
140 0.6315 nan 0.0500 0.0001
160 0.6247 nan 0.0500 0.0001
180 0.6192 nan 0.0500 0.0001
200 0.6142 nan 0.0500 0.0001
220 0.6104 nan 0.0500 0.0001
240 0.6064 nan 0.0500 0.0001
260 0.6034 nan 0.0500 0.0001
280 0.6006 nan 0.0500 0.0000
300 0.5980 nan 0.0500 0.0000
320 0.5959 nan 0.0500 0.0000
340 0.5941 nan 0.0500 -0.0000
360 0.5922 nan 0.0500 -0.0000
380 0.5904 nan 0.0500 0.0000
400 0.5885 nan 0.0500 -0.0000
420 0.5870 nan 0.0500 -0.0000
440 0.5858 nan 0.0500 -0.0000
460 0.5845 nan 0.0500 -0.0000
480 0.5837 nan 0.0500 -0.0000
500 0.5824 nan 0.0500 0.0000
520 0.5809 nan 0.0500 0.0000
540 0.5799 nan 0.0500 -0.0000
560 0.5784 nan 0.0500 -0.0000
580 0.5774 nan 0.0500 0.0000
600 0.5766 nan 0.0500 -0.0000
620 0.5758 nan 0.0500 -0.0000
640 0.5750 nan 0.0500 -0.0000
660 0.5740 nan 0.0500 0.0000
680 0.5732 nan 0.0500 -0.0000
700 0.5723 nan 0.0500 -0.0000
720 0.5716 nan 0.0500 -0.0000
740 0.5709 nan 0.0500 -0.0000
760 0.5702 nan 0.0500 -0.0000
780 0.5694 nan 0.0500 -0.0000
800 0.5686 nan 0.0500 -0.0000
820 0.5680 nan 0.0500 -0.0000
840 0.5671 nan 0.0500 -0.0000
860 0.5665 nan 0.0500 -0.0000
880 0.5658 nan 0.0500 -0.0000
900 0.5651 nan 0.0500 -0.0000
907 0.5649 nan 0.0500 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0715 nan 0.0528 0.0143
2 1.0465 nan 0.0528 0.0124
3 1.0237 nan 0.0528 0.0115
4 1.0037 nan 0.0528 0.0096
5 0.9845 nan 0.0528 0.0095
6 0.9676 nan 0.0528 0.0083
7 0.9523 nan 0.0528 0.0074
8 0.9344 nan 0.0528 0.0086
9 0.9189 nan 0.0528 0.0076
10 0.9045 nan 0.0528 0.0070
20 0.8177 nan 0.0528 0.0026
40 0.7343 nan 0.0528 0.0013
60 0.6909 nan 0.0528 0.0010
80 0.6645 nan 0.0528 0.0005
100 0.6478 nan 0.0528 0.0003
120 0.6364 nan 0.0528 0.0004
140 0.6281 nan 0.0528 0.0001
160 0.6216 nan 0.0528 0.0000
180 0.6165 nan 0.0528 0.0000
200 0.6122 nan 0.0528 -0.0000
220 0.6075 nan 0.0528 0.0001
225 0.6065 nan 0.0528 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0708 nan 0.0536 0.0148
2 1.0455 nan 0.0536 0.0127
3 1.0232 nan 0.0536 0.0112
4 1.0025 nan 0.0536 0.0104
5 0.9837 nan 0.0536 0.0094
6 0.9626 nan 0.0536 0.0101
7 0.9478 nan 0.0536 0.0075
8 0.9308 nan 0.0536 0.0083
9 0.9157 nan 0.0536 0.0077
10 0.9018 nan 0.0536 0.0068
20 0.8163 nan 0.0536 0.0030
40 0.7342 nan 0.0536 0.0013
60 0.6890 nan 0.0536 0.0008
80 0.6627 nan 0.0536 0.0002
100 0.6463 nan 0.0536 0.0002
120 0.6351 nan 0.0536 0.0003
140 0.6262 nan 0.0536 0.0001
160 0.6193 nan 0.0536 0.0000
180 0.6143 nan 0.0536 0.0002
200 0.6105 nan 0.0536 0.0000
220 0.6067 nan 0.0536 0.0000
240 0.6033 nan 0.0536 0.0000
260 0.6005 nan 0.0536 0.0000
280 0.5977 nan 0.0536 0.0000
283 0.5974 nan 0.0536 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0784 nan 0.0552 0.0110
2 1.0587 nan 0.0552 0.0098
3 1.0415 nan 0.0552 0.0087
4 1.0259 nan 0.0552 0.0078
5 1.0119 nan 0.0552 0.0070
6 0.9987 nan 0.0552 0.0064
7 0.9862 nan 0.0552 0.0062
8 0.9756 nan 0.0552 0.0056
9 0.9665 nan 0.0552 0.0046
10 0.9586 nan 0.0552 0.0035
20 0.8792 nan 0.0552 0.0034
40 0.7973 nan 0.0552 0.0014
60 0.7505 nan 0.0552 0.0007
80 0.7189 nan 0.0552 0.0006
100 0.6961 nan 0.0552 0.0003
120 0.6793 nan 0.0552 0.0003
140 0.6668 nan 0.0552 0.0001
160 0.6559 nan 0.0552 0.0003
180 0.6479 nan 0.0552 0.0002
200 0.6421 nan 0.0552 0.0001
220 0.6370 nan 0.0552 0.0001
240 0.6330 nan 0.0552 0.0000
260 0.6292 nan 0.0552 0.0001
280 0.6264 nan 0.0552 0.0000
300 0.6238 nan 0.0552 0.0000
320 0.6210 nan 0.0552 0.0000
340 0.6185 nan 0.0552 0.0000
360 0.6156 nan 0.0552 0.0001
380 0.6130 nan 0.0552 0.0000
400 0.6110 nan 0.0552 0.0000
420 0.6092 nan 0.0552 0.0000
440 0.6073 nan 0.0552 0.0000
460 0.6058 nan 0.0552 0.0000
480 0.6046 nan 0.0552 0.0000
500 0.6033 nan 0.0552 0.0000
520 0.6019 nan 0.0552 0.0000
540 0.6007 nan 0.0552 -0.0000
560 0.5995 nan 0.0552 0.0000
580 0.5985 nan 0.0552 0.0000
600 0.5977 nan 0.0552 0.0000
620 0.5968 nan 0.0552 -0.0000
640 0.5957 nan 0.0552 0.0000
660 0.5951 nan 0.0552 -0.0000
680 0.5944 nan 0.0552 -0.0000
700 0.5938 nan 0.0552 -0.0000
720 0.5931 nan 0.0552 -0.0000
740 0.5925 nan 0.0552 -0.0000
760 0.5919 nan 0.0552 -0.0001
780 0.5913 nan 0.0552 -0.0000
800 0.5907 nan 0.0552 -0.0000
820 0.5902 nan 0.0552 -0.0000
840 0.5897 nan 0.0552 -0.0000
860 0.5891 nan 0.0552 0.0000
880 0.5886 nan 0.0552 -0.0000
900 0.5881 nan 0.0552 -0.0000
920 0.5875 nan 0.0552 -0.0000
940 0.5872 nan 0.0552 -0.0000
956 0.5868 nan 0.0552 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0715 nan 0.0555 0.0143
2 1.0447 nan 0.0555 0.0138
3 1.0206 nan 0.0555 0.0120
4 0.9990 nan 0.0555 0.0106
5 0.9803 nan 0.0555 0.0094
6 0.9628 nan 0.0555 0.0084
7 0.9441 nan 0.0555 0.0093
8 0.9271 nan 0.0555 0.0083
9 0.9120 nan 0.0555 0.0076
10 0.8984 nan 0.0555 0.0068
20 0.8123 nan 0.0555 0.0034
40 0.7309 nan 0.0555 0.0014
60 0.6863 nan 0.0555 0.0009
80 0.6606 nan 0.0555 0.0005
100 0.6449 nan 0.0555 0.0002
120 0.6329 nan 0.0555 0.0001
140 0.6250 nan 0.0555 0.0002
160 0.6182 nan 0.0555 0.0001
180 0.6137 nan 0.0555 0.0001
200 0.6092 nan 0.0555 0.0001
220 0.6055 nan 0.0555 0.0001
240 0.6022 nan 0.0555 0.0001
260 0.5991 nan 0.0555 0.0000
280 0.5961 nan 0.0555 0.0001
300 0.5933 nan 0.0555 0.0000
320 0.5914 nan 0.0555 0.0000
340 0.5896 nan 0.0555 0.0000
360 0.5878 nan 0.0555 -0.0000
380 0.5862 nan 0.0555 0.0000
400 0.5847 nan 0.0555 -0.0000
420 0.5829 nan 0.0555 -0.0000
440 0.5815 nan 0.0555 -0.0000
460 0.5803 nan 0.0555 -0.0000
480 0.5790 nan 0.0555 -0.0000
493 0.5784 nan 0.0555 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0571 nan 0.0614 0.0215
2 1.0220 nan 0.0614 0.0179
3 0.9911 nan 0.0614 0.0154
4 0.9624 nan 0.0614 0.0139
5 0.9390 nan 0.0614 0.0117
6 0.9185 nan 0.0614 0.0103
7 0.8993 nan 0.0614 0.0096
8 0.8816 nan 0.0614 0.0090
9 0.8660 nan 0.0614 0.0078
10 0.8520 nan 0.0614 0.0067
20 0.7544 nan 0.0614 0.0036
40 0.6725 nan 0.0614 0.0010
60 0.6385 nan 0.0614 0.0005
80 0.6201 nan 0.0614 0.0003
100 0.6080 nan 0.0614 0.0003
120 0.5995 nan 0.0614 0.0001
140 0.5936 nan 0.0614 -0.0000
160 0.5895 nan 0.0614 -0.0000
180 0.5854 nan 0.0614 -0.0000
200 0.5815 nan 0.0614 0.0000
220 0.5786 nan 0.0614 -0.0000
240 0.5759 nan 0.0614 0.0000
260 0.5734 nan 0.0614 -0.0000
280 0.5715 nan 0.0614 -0.0000
300 0.5695 nan 0.0614 -0.0001
320 0.5675 nan 0.0614 -0.0000
340 0.5661 nan 0.0614 -0.0000
360 0.5639 nan 0.0614 0.0000
380 0.5619 nan 0.0614 -0.0001
400 0.5600 nan 0.0614 -0.0000
420 0.5585 nan 0.0614 -0.0000
436 0.5572 nan 0.0614 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0544 nan 0.0636 0.0230
2 1.0158 nan 0.0636 0.0193
3 0.9830 nan 0.0636 0.0160
4 0.9551 nan 0.0636 0.0143
5 0.9293 nan 0.0636 0.0129
6 0.9075 nan 0.0636 0.0110
7 0.8873 nan 0.0636 0.0098
8 0.8694 nan 0.0636 0.0089
9 0.8535 nan 0.0636 0.0078
10 0.8397 nan 0.0636 0.0070
20 0.7407 nan 0.0636 0.0035
40 0.6583 nan 0.0636 0.0011
60 0.6233 nan 0.0636 0.0006
80 0.6057 nan 0.0636 0.0003
100 0.5929 nan 0.0636 0.0000
120 0.5834 nan 0.0636 0.0001
140 0.5768 nan 0.0636 0.0000
160 0.5712 nan 0.0636 -0.0000
180 0.5668 nan 0.0636 -0.0001
200 0.5617 nan 0.0636 0.0002
220 0.5580 nan 0.0636 -0.0000
240 0.5547 nan 0.0636 -0.0000
260 0.5521 nan 0.0636 -0.0001
280 0.5492 nan 0.0636 -0.0000
300 0.5464 nan 0.0636 -0.0000
320 0.5439 nan 0.0636 -0.0001
340 0.5416 nan 0.0636 -0.0000
360 0.5393 nan 0.0636 -0.0000
380 0.5372 nan 0.0636 -0.0000
400 0.5349 nan 0.0636 -0.0000
420 0.5326 nan 0.0636 -0.0000
440 0.5308 nan 0.0636 -0.0000
460 0.5292 nan 0.0636 -0.0001
480 0.5272 nan 0.0636 -0.0001
500 0.5254 nan 0.0636 0.0001
520 0.5239 nan 0.0636 -0.0000
540 0.5222 nan 0.0636 -0.0000
560 0.5206 nan 0.0636 -0.0001
580 0.5192 nan 0.0636 -0.0001
586 0.5188 nan 0.0636 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0529 nan 0.0644 0.0230
2 1.0149 nan 0.0644 0.0194
3 0.9812 nan 0.0644 0.0165
4 0.9519 nan 0.0644 0.0142
5 0.9262 nan 0.0644 0.0128
6 0.9033 nan 0.0644 0.0118
7 0.8838 nan 0.0644 0.0098
8 0.8661 nan 0.0644 0.0086
9 0.8504 nan 0.0644 0.0076
10 0.8361 nan 0.0644 0.0069
20 0.7394 nan 0.0644 0.0037
40 0.6569 nan 0.0644 0.0012
60 0.6254 nan 0.0644 0.0003
80 0.6075 nan 0.0644 0.0002
100 0.5949 nan 0.0644 0.0001
120 0.5863 nan 0.0644 0.0000
140 0.5788 nan 0.0644 0.0001
160 0.5747 nan 0.0644 -0.0000
180 0.5704 nan 0.0644 0.0000
200 0.5662 nan 0.0644 -0.0000
220 0.5628 nan 0.0644 -0.0000
240 0.5598 nan 0.0644 -0.0000
260 0.5567 nan 0.0644 0.0000
280 0.5537 nan 0.0644 -0.0001
300 0.5511 nan 0.0644 -0.0001
320 0.5488 nan 0.0644 -0.0000
340 0.5469 nan 0.0644 -0.0000
360 0.5443 nan 0.0644 -0.0001
380 0.5423 nan 0.0644 -0.0001
400 0.5407 nan 0.0644 -0.0001
420 0.5388 nan 0.0644 -0.0000
440 0.5372 nan 0.0644 -0.0001
460 0.5356 nan 0.0644 -0.0001
480 0.5341 nan 0.0644 -0.0001
500 0.5324 nan 0.0644 -0.0000
520 0.5306 nan 0.0644 -0.0001
540 0.5292 nan 0.0644 -0.0001
560 0.5276 nan 0.0644 -0.0001
580 0.5261 nan 0.0644 -0.0000
600 0.5247 nan 0.0644 -0.0000
620 0.5234 nan 0.0644 -0.0001
640 0.5220 nan 0.0644 -0.0001
660 0.5203 nan 0.0644 -0.0001
680 0.5186 nan 0.0644 -0.0001
700 0.5173 nan 0.0644 -0.0000
720 0.5159 nan 0.0644 -0.0001
740 0.5147 nan 0.0644 -0.0001
760 0.5135 nan 0.0644 -0.0001
780 0.5123 nan 0.0644 -0.0000
800 0.5110 nan 0.0644 -0.0000
820 0.5095 nan 0.0644 0.0001
840 0.5086 nan 0.0644 -0.0001
860 0.5073 nan 0.0644 -0.0000
880 0.5063 nan 0.0644 -0.0001
897 0.5054 nan 0.0644 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0533 nan 0.0662 0.0236
2 1.0158 nan 0.0662 0.0184
3 0.9834 nan 0.0662 0.0166
4 0.9547 nan 0.0662 0.0142
5 0.9291 nan 0.0662 0.0129
6 0.9073 nan 0.0662 0.0108
7 0.8876 nan 0.0662 0.0099
8 0.8704 nan 0.0662 0.0087
9 0.8557 nan 0.0662 0.0074
10 0.8419 nan 0.0662 0.0068
20 0.7455 nan 0.0662 0.0035
40 0.6655 nan 0.0662 0.0011
60 0.6324 nan 0.0662 0.0004
80 0.6148 nan 0.0662 0.0002
100 0.6034 nan 0.0662 0.0002
120 0.5951 nan 0.0662 0.0002
140 0.5891 nan 0.0662 -0.0000
160 0.5848 nan 0.0662 -0.0001
180 0.5811 nan 0.0662 0.0001
200 0.5778 nan 0.0662 0.0001
220 0.5746 nan 0.0662 -0.0000
240 0.5720 nan 0.0662 0.0001
260 0.5692 nan 0.0662 -0.0000
280 0.5665 nan 0.0662 -0.0000
300 0.5644 nan 0.0662 -0.0000
320 0.5624 nan 0.0662 -0.0000
340 0.5608 nan 0.0662 -0.0000
354 0.5594 nan 0.0662 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0546 nan 0.0663 0.0232
2 1.0167 nan 0.0663 0.0191
3 0.9841 nan 0.0663 0.0166
4 0.9559 nan 0.0663 0.0142
5 0.9313 nan 0.0663 0.0125
6 0.9095 nan 0.0663 0.0107
7 0.8902 nan 0.0663 0.0094
8 0.8726 nan 0.0663 0.0085
9 0.8571 nan 0.0663 0.0078
10 0.8425 nan 0.0663 0.0074
20 0.7461 nan 0.0663 0.0036
40 0.6648 nan 0.0663 0.0012
60 0.6313 nan 0.0663 0.0003
80 0.6127 nan 0.0663 0.0002
100 0.6004 nan 0.0663 0.0002
120 0.5912 nan 0.0663 0.0002
140 0.5845 nan 0.0663 0.0000
160 0.5795 nan 0.0663 -0.0001
180 0.5745 nan 0.0663 0.0001
200 0.5705 nan 0.0663 0.0000
220 0.5672 nan 0.0663 -0.0000
240 0.5636 nan 0.0663 -0.0000
260 0.5604 nan 0.0663 -0.0000
280 0.5576 nan 0.0663 0.0001
300 0.5553 nan 0.0663 -0.0000
320 0.5524 nan 0.0663 -0.0000
340 0.5504 nan 0.0663 -0.0000
355 0.5482 nan 0.0663 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0618 nan 0.0685 0.0183
2 1.0307 nan 0.0685 0.0154
3 1.0037 nan 0.0685 0.0138
4 0.9805 nan 0.0685 0.0116
5 0.9590 nan 0.0685 0.0108
6 0.9359 nan 0.0685 0.0113
7 0.9162 nan 0.0685 0.0098
8 0.8989 nan 0.0685 0.0087
9 0.8855 nan 0.0685 0.0066
10 0.8712 nan 0.0685 0.0070
20 0.7869 nan 0.0685 0.0032
40 0.7064 nan 0.0685 0.0014
60 0.6675 nan 0.0685 0.0008
80 0.6454 nan 0.0685 0.0004
100 0.6312 nan 0.0685 0.0001
120 0.6226 nan 0.0685 0.0002
140 0.6152 nan 0.0685 0.0001
160 0.6095 nan 0.0685 0.0000
180 0.6049 nan 0.0685 0.0000
200 0.6015 nan 0.0685 -0.0000
220 0.5980 nan 0.0685 -0.0000
240 0.5944 nan 0.0685 0.0000
260 0.5913 nan 0.0685 -0.0000
280 0.5889 nan 0.0685 -0.0000
300 0.5870 nan 0.0685 -0.0000
320 0.5851 nan 0.0685 -0.0000
340 0.5833 nan 0.0685 0.0000
360 0.5820 nan 0.0685 -0.0000
380 0.5806 nan 0.0685 -0.0000
400 0.5790 nan 0.0685 -0.0001
406 0.5787 nan 0.0685 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0634 nan 0.0687 0.0187
2 1.0317 nan 0.0687 0.0156
3 1.0040 nan 0.0687 0.0141
4 0.9803 nan 0.0687 0.0119
5 0.9590 nan 0.0687 0.0107
6 0.9359 nan 0.0687 0.0113
7 0.9165 nan 0.0687 0.0100
8 0.9016 nan 0.0687 0.0074
9 0.8856 nan 0.0687 0.0079
10 0.8715 nan 0.0687 0.0070
20 0.7888 nan 0.0687 0.0029
40 0.7065 nan 0.0687 0.0012
60 0.6669 nan 0.0687 0.0004
80 0.6452 nan 0.0687 0.0002
100 0.6319 nan 0.0687 0.0002
120 0.6220 nan 0.0687 0.0002
140 0.6150 nan 0.0687 0.0001
160 0.6093 nan 0.0687 0.0001
180 0.6033 nan 0.0687 0.0001
200 0.5994 nan 0.0687 0.0000
220 0.5962 nan 0.0687 -0.0000
240 0.5925 nan 0.0687 0.0000
260 0.5893 nan 0.0687 0.0001
280 0.5872 nan 0.0687 0.0000
300 0.5852 nan 0.0687 0.0000
320 0.5825 nan 0.0687 -0.0000
340 0.5807 nan 0.0687 -0.0000
360 0.5786 nan 0.0687 -0.0000
380 0.5763 nan 0.0687 -0.0000
400 0.5744 nan 0.0687 0.0000
420 0.5731 nan 0.0687 -0.0000
440 0.5714 nan 0.0687 -0.0000
460 0.5697 nan 0.0687 -0.0001
480 0.5684 nan 0.0687 -0.0000
500 0.5669 nan 0.0687 -0.0000
520 0.5655 nan 0.0687 -0.0000
540 0.5645 nan 0.0687 -0.0001
560 0.5636 nan 0.0687 -0.0000
580 0.5625 nan 0.0687 0.0000
600 0.5616 nan 0.0687 -0.0001
620 0.5607 nan 0.0687 -0.0000
640 0.5596 nan 0.0687 -0.0000
660 0.5583 nan 0.0687 -0.0001
680 0.5571 nan 0.0687 -0.0000
700 0.5559 nan 0.0687 -0.0000
720 0.5551 nan 0.0687 -0.0000
740 0.5542 nan 0.0687 -0.0000
760 0.5526 nan 0.0687 -0.0000
780 0.5518 nan 0.0687 -0.0000
800 0.5510 nan 0.0687 -0.0000
820 0.5504 nan 0.0687 -0.0000
840 0.5494 nan 0.0687 -0.0001
860 0.5485 nan 0.0687 -0.0000
880 0.5477 nan 0.0687 -0.0000
881 0.5477 nan 0.0687 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0726 nan 0.0697 0.0138
2 1.0486 nan 0.0697 0.0119
3 1.0285 nan 0.0697 0.0103
4 1.0107 nan 0.0697 0.0089
5 0.9942 nan 0.0697 0.0081
6 0.9813 nan 0.0697 0.0063
7 0.9662 nan 0.0697 0.0075
8 0.9531 nan 0.0697 0.0066
9 0.9432 nan 0.0697 0.0052
10 0.9347 nan 0.0697 0.0041
20 0.8499 nan 0.0697 0.0032
40 0.7696 nan 0.0697 0.0011
60 0.7230 nan 0.0697 0.0013
80 0.6948 nan 0.0697 0.0004
100 0.6737 nan 0.0697 0.0003
120 0.6603 nan 0.0697 0.0001
140 0.6495 nan 0.0697 0.0001
160 0.6410 nan 0.0697 0.0001
180 0.6355 nan 0.0697 0.0000
200 0.6303 nan 0.0697 0.0002
220 0.6257 nan 0.0697 0.0000
240 0.6220 nan 0.0697 0.0000
260 0.6188 nan 0.0697 0.0000
280 0.6160 nan 0.0697 0.0000
300 0.6136 nan 0.0697 0.0000
320 0.6109 nan 0.0697 0.0000
340 0.6084 nan 0.0697 0.0000
360 0.6061 nan 0.0697 -0.0000
380 0.6043 nan 0.0697 -0.0000
400 0.6028 nan 0.0697 0.0000
420 0.6012 nan 0.0697 -0.0000
440 0.5997 nan 0.0697 0.0000
460 0.5985 nan 0.0697 -0.0000
480 0.5975 nan 0.0697 -0.0000
500 0.5965 nan 0.0697 -0.0000
520 0.5956 nan 0.0697 -0.0000
540 0.5945 nan 0.0697 0.0000
545 0.5942 nan 0.0697 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0491 nan 0.0714 0.0254
2 1.0070 nan 0.0714 0.0213
3 0.9716 nan 0.0714 0.0177
4 0.9414 nan 0.0714 0.0154
5 0.9153 nan 0.0714 0.0132
6 0.8927 nan 0.0714 0.0112
7 0.8714 nan 0.0714 0.0108
8 0.8532 nan 0.0714 0.0089
9 0.8367 nan 0.0714 0.0081
10 0.8227 nan 0.0714 0.0069
20 0.7261 nan 0.0714 0.0035
40 0.6498 nan 0.0714 0.0013
60 0.6163 nan 0.0714 0.0007
80 0.5993 nan 0.0714 0.0001
100 0.5879 nan 0.0714 0.0003
120 0.5795 nan 0.0714 0.0001
140 0.5740 nan 0.0714 -0.0000
160 0.5691 nan 0.0714 -0.0001
180 0.5644 nan 0.0714 -0.0000
200 0.5614 nan 0.0714 -0.0001
220 0.5577 nan 0.0714 -0.0001
240 0.5544 nan 0.0714 0.0000
260 0.5522 nan 0.0714 -0.0000
280 0.5494 nan 0.0714 -0.0001
300 0.5472 nan 0.0714 -0.0001
320 0.5444 nan 0.0714 -0.0001
340 0.5425 nan 0.0714 -0.0000
360 0.5406 nan 0.0714 -0.0000
380 0.5387 nan 0.0714 -0.0001
400 0.5368 nan 0.0714 -0.0000
420 0.5350 nan 0.0714 -0.0001
440 0.5333 nan 0.0714 -0.0000
460 0.5317 nan 0.0714 -0.0000
473 0.5306 nan 0.0714 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0605 nan 0.0743 0.0199
2 1.0271 nan 0.0743 0.0160
3 0.9976 nan 0.0743 0.0146
4 0.9730 nan 0.0743 0.0125
5 0.9518 nan 0.0743 0.0106
6 0.9281 nan 0.0743 0.0121
7 0.9072 nan 0.0743 0.0105
8 0.8891 nan 0.0743 0.0089
9 0.8731 nan 0.0743 0.0079
10 0.8605 nan 0.0743 0.0062
20 0.7750 nan 0.0743 0.0031
40 0.6966 nan 0.0743 0.0012
60 0.6610 nan 0.0743 0.0006
80 0.6407 nan 0.0743 0.0003
100 0.6273 nan 0.0743 0.0001
120 0.6200 nan 0.0743 0.0000
140 0.6128 nan 0.0743 0.0001
160 0.6075 nan 0.0743 0.0000
180 0.6034 nan 0.0743 -0.0000
185 0.6020 nan 0.0743 0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0494 nan 0.0751 0.0255
2 1.0072 nan 0.0751 0.0214
3 0.9721 nan 0.0751 0.0176
4 0.9412 nan 0.0751 0.0154
5 0.9151 nan 0.0751 0.0128
6 0.8926 nan 0.0751 0.0113
7 0.8725 nan 0.0751 0.0097
8 0.8553 nan 0.0751 0.0086
9 0.8388 nan 0.0751 0.0079
10 0.8240 nan 0.0751 0.0070
20 0.7298 nan 0.0751 0.0040
40 0.6536 nan 0.0751 0.0011
60 0.6236 nan 0.0751 0.0004
80 0.6065 nan 0.0751 0.0003
100 0.5952 nan 0.0751 0.0002
120 0.5872 nan 0.0751 0.0000
140 0.5797 nan 0.0751 0.0001
160 0.5745 nan 0.0751 -0.0000
180 0.5695 nan 0.0751 -0.0000
200 0.5647 nan 0.0751 -0.0001
220 0.5611 nan 0.0751 -0.0000
225 0.5601 nan 0.0751 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0597 nan 0.0773 0.0207
2 1.0255 nan 0.0773 0.0171
3 0.9954 nan 0.0773 0.0150
4 0.9694 nan 0.0773 0.0129
5 0.9414 nan 0.0773 0.0138
6 0.9217 nan 0.0773 0.0096
7 0.9007 nan 0.0773 0.0103
8 0.8824 nan 0.0773 0.0092
9 0.8684 nan 0.0773 0.0070
10 0.8540 nan 0.0773 0.0072
20 0.7715 nan 0.0773 0.0024
40 0.6919 nan 0.0773 0.0012
60 0.6574 nan 0.0773 0.0006
80 0.6370 nan 0.0773 0.0004
100 0.6244 nan 0.0773 0.0001
120 0.6160 nan 0.0773 0.0001
140 0.6092 nan 0.0773 -0.0000
160 0.6045 nan 0.0773 -0.0000
180 0.6009 nan 0.0773 -0.0000
200 0.5965 nan 0.0773 -0.0000
220 0.5936 nan 0.0773 -0.0000
240 0.5906 nan 0.0773 -0.0000
260 0.5884 nan 0.0773 -0.0000
280 0.5860 nan 0.0773 0.0002
300 0.5837 nan 0.0773 0.0000
320 0.5820 nan 0.0773 -0.0000
340 0.5800 nan 0.0773 -0.0000
360 0.5785 nan 0.0773 -0.0000
380 0.5771 nan 0.0773 -0.0000
400 0.5757 nan 0.0773 -0.0000
420 0.5747 nan 0.0773 -0.0000
440 0.5734 nan 0.0773 -0.0000
460 0.5723 nan 0.0773 -0.0000
480 0.5709 nan 0.0773 -0.0000
500 0.5697 nan 0.0773 -0.0000
520 0.5685 nan 0.0773 -0.0000
540 0.5676 nan 0.0773 -0.0001
560 0.5669 nan 0.0773 -0.0001
580 0.5657 nan 0.0773 0.0001
600 0.5649 nan 0.0773 -0.0000
606 0.5646 nan 0.0773 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0697 nan 0.0774 0.0152
2 1.0441 nan 0.0774 0.0129
3 1.0225 nan 0.0774 0.0110
4 1.0036 nan 0.0774 0.0092
5 0.9849 nan 0.0774 0.0093
6 0.9714 nan 0.0774 0.0069
7 0.9556 nan 0.0774 0.0078
8 0.9449 nan 0.0774 0.0052
9 0.9314 nan 0.0774 0.0066
10 0.9189 nan 0.0774 0.0060
20 0.8390 nan 0.0774 0.0032
40 0.7570 nan 0.0774 0.0012
60 0.7130 nan 0.0774 0.0007
80 0.6849 nan 0.0774 0.0006
100 0.6655 nan 0.0774 0.0004
120 0.6526 nan 0.0774 0.0002
140 0.6420 nan 0.0774 0.0003
160 0.6358 nan 0.0774 0.0001
180 0.6302 nan 0.0774 0.0001
200 0.6247 nan 0.0774 0.0001
220 0.6207 nan 0.0774 0.0001
240 0.6175 nan 0.0774 0.0000
260 0.6147 nan 0.0774 0.0000
280 0.6119 nan 0.0774 0.0000
300 0.6092 nan 0.0774 0.0000
320 0.6070 nan 0.0774 0.0000
340 0.6050 nan 0.0774 0.0000
360 0.6028 nan 0.0774 0.0001
380 0.6013 nan 0.0774 -0.0000
400 0.5998 nan 0.0774 -0.0000
420 0.5982 nan 0.0774 0.0000
440 0.5969 nan 0.0774 -0.0000
460 0.5958 nan 0.0774 -0.0000
480 0.5947 nan 0.0774 0.0001
500 0.5935 nan 0.0774 -0.0000
520 0.5926 nan 0.0774 -0.0000
540 0.5917 nan 0.0774 -0.0000
560 0.5911 nan 0.0774 -0.0000
580 0.5902 nan 0.0774 -0.0000
600 0.5897 nan 0.0774 -0.0000
620 0.5889 nan 0.0774 -0.0000
640 0.5882 nan 0.0774 -0.0000
660 0.5876 nan 0.0774 -0.0000
680 0.5870 nan 0.0774 -0.0000
700 0.5865 nan 0.0774 -0.0000
720 0.5859 nan 0.0774 -0.0000
735 0.5854 nan 0.0774 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0449 nan 0.0790 0.0274
2 1.0012 nan 0.0790 0.0217
3 0.9649 nan 0.0790 0.0183
4 0.9349 nan 0.0790 0.0152
5 0.9084 nan 0.0790 0.0128
6 0.8846 nan 0.0790 0.0121
7 0.8649 nan 0.0790 0.0097
8 0.8468 nan 0.0790 0.0090
9 0.8302 nan 0.0790 0.0082
10 0.8152 nan 0.0790 0.0074
20 0.7223 nan 0.0790 0.0032
40 0.6496 nan 0.0790 0.0011
60 0.6201 nan 0.0790 0.0004
80 0.6035 nan 0.0790 0.0003
100 0.5943 nan 0.0790 0.0000
120 0.5861 nan 0.0790 0.0003
140 0.5808 nan 0.0790 -0.0000
160 0.5762 nan 0.0790 -0.0000
180 0.5724 nan 0.0790 -0.0001
200 0.5685 nan 0.0790 -0.0000
220 0.5652 nan 0.0790 -0.0001
240 0.5619 nan 0.0790 -0.0000
260 0.5593 nan 0.0790 -0.0000
280 0.5568 nan 0.0790 -0.0000
300 0.5543 nan 0.0790 -0.0000
320 0.5523 nan 0.0790 -0.0001
340 0.5499 nan 0.0790 -0.0000
360 0.5475 nan 0.0790 -0.0000
380 0.5460 nan 0.0790 -0.0000
388 0.5450 nan 0.0790 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0574 nan 0.0803 0.0216
2 1.0220 nan 0.0803 0.0173
3 0.9912 nan 0.0803 0.0154
4 0.9651 nan 0.0803 0.0130
5 0.9371 nan 0.0803 0.0137
6 0.9175 nan 0.0803 0.0095
7 0.8961 nan 0.0803 0.0107
8 0.8776 nan 0.0803 0.0091
9 0.8630 nan 0.0803 0.0070
10 0.8485 nan 0.0803 0.0074
20 0.7664 nan 0.0803 0.0027
40 0.6883 nan 0.0803 0.0015
60 0.6527 nan 0.0803 0.0007
80 0.6344 nan 0.0803 0.0002
100 0.6236 nan 0.0803 0.0002
120 0.6147 nan 0.0803 0.0001
140 0.6092 nan 0.0803 0.0001
160 0.6039 nan 0.0803 0.0001
180 0.5992 nan 0.0803 -0.0001
200 0.5955 nan 0.0803 0.0000
220 0.5919 nan 0.0803 -0.0001
240 0.5890 nan 0.0803 0.0000
260 0.5864 nan 0.0803 -0.0000
270 0.5853 nan 0.0803 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0503 nan 0.0808 0.0250
2 1.0095 nan 0.0808 0.0200
3 0.9726 nan 0.0808 0.0184
4 0.9437 nan 0.0808 0.0143
5 0.9181 nan 0.0808 0.0127
6 0.8950 nan 0.0808 0.0112
7 0.8750 nan 0.0808 0.0099
8 0.8555 nan 0.0808 0.0095
9 0.8390 nan 0.0808 0.0083
10 0.8239 nan 0.0808 0.0074
20 0.7392 nan 0.0808 0.0026
40 0.6636 nan 0.0808 0.0014
60 0.6321 nan 0.0808 0.0004
80 0.6165 nan 0.0808 0.0003
100 0.6049 nan 0.0808 0.0001
120 0.5962 nan 0.0808 -0.0000
140 0.5897 nan 0.0808 0.0000
160 0.5849 nan 0.0808 0.0000
180 0.5803 nan 0.0808 0.0003
200 0.5763 nan 0.0808 -0.0000
220 0.5734 nan 0.0808 -0.0000
240 0.5709 nan 0.0808 -0.0000
260 0.5688 nan 0.0808 -0.0000
280 0.5656 nan 0.0808 0.0000
300 0.5631 nan 0.0808 -0.0000
320 0.5614 nan 0.0808 -0.0001
340 0.5596 nan 0.0808 -0.0001
360 0.5583 nan 0.0808 -0.0001
380 0.5565 nan 0.0808 -0.0000
400 0.5553 nan 0.0808 -0.0001
420 0.5538 nan 0.0808 -0.0001
440 0.5523 nan 0.0808 -0.0000
460 0.5510 nan 0.0808 -0.0001
480 0.5489 nan 0.0808 -0.0000
500 0.5474 nan 0.0808 0.0000
520 0.5462 nan 0.0808 -0.0001
540 0.5453 nan 0.0808 -0.0000
560 0.5436 nan 0.0808 -0.0001
580 0.5425 nan 0.0808 -0.0001
600 0.5413 nan 0.0808 -0.0001
620 0.5399 nan 0.0808 -0.0001
640 0.5388 nan 0.0808 -0.0000
660 0.5372 nan 0.0808 -0.0000
680 0.5361 nan 0.0808 -0.0001
700 0.5350 nan 0.0808 -0.0000
720 0.5341 nan 0.0808 -0.0000
723 0.5340 nan 0.0808 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0490 nan 0.0838 0.0257
2 1.0073 nan 0.0838 0.0211
3 0.9717 nan 0.0838 0.0175
4 0.9406 nan 0.0838 0.0156
5 0.9141 nan 0.0838 0.0132
6 0.8881 nan 0.0838 0.0129
7 0.8666 nan 0.0838 0.0107
8 0.8477 nan 0.0838 0.0094
9 0.8324 nan 0.0838 0.0073
10 0.8203 nan 0.0838 0.0059
20 0.7357 nan 0.0838 0.0025
40 0.6597 nan 0.0838 0.0008
60 0.6313 nan 0.0838 0.0007
80 0.6155 nan 0.0838 0.0001
100 0.6060 nan 0.0838 0.0000
120 0.5986 nan 0.0838 -0.0000
123 0.5977 nan 0.0838 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0400 nan 0.0840 0.0304
2 0.9919 nan 0.0840 0.0236
3 0.9529 nan 0.0840 0.0191
4 0.9194 nan 0.0840 0.0164
5 0.8911 nan 0.0840 0.0141
6 0.8661 nan 0.0840 0.0124
7 0.8458 nan 0.0840 0.0103
8 0.8271 nan 0.0840 0.0093
9 0.8110 nan 0.0840 0.0077
10 0.7962 nan 0.0840 0.0074
20 0.7026 nan 0.0840 0.0032
40 0.6347 nan 0.0840 0.0009
60 0.6076 nan 0.0840 0.0002
80 0.5918 nan 0.0840 0.0001
100 0.5820 nan 0.0840 0.0000
120 0.5748 nan 0.0840 0.0002
140 0.5686 nan 0.0840 0.0000
160 0.5634 nan 0.0840 -0.0000
180 0.5594 nan 0.0840 -0.0000
200 0.5556 nan 0.0840 -0.0000
220 0.5524 nan 0.0840 -0.0000
240 0.5488 nan 0.0840 -0.0000
260 0.5462 nan 0.0840 -0.0001
280 0.5438 nan 0.0840 -0.0001
300 0.5417 nan 0.0840 -0.0000
320 0.5395 nan 0.0840 -0.0001
340 0.5371 nan 0.0840 -0.0000
360 0.5347 nan 0.0840 -0.0001
380 0.5328 nan 0.0840 -0.0001
400 0.5305 nan 0.0840 0.0001
420 0.5283 nan 0.0840 -0.0001
440 0.5269 nan 0.0840 -0.0001
460 0.5253 nan 0.0840 -0.0001
480 0.5236 nan 0.0840 -0.0000
500 0.5218 nan 0.0840 -0.0002
520 0.5202 nan 0.0840 -0.0001
540 0.5187 nan 0.0840 -0.0000
560 0.5171 nan 0.0840 -0.0001
580 0.5155 nan 0.0840 -0.0001
600 0.5142 nan 0.0840 -0.0001
620 0.5127 nan 0.0840 -0.0001
640 0.5111 nan 0.0840 -0.0002
660 0.5097 nan 0.0840 -0.0001
680 0.5082 nan 0.0840 -0.0001
700 0.5071 nan 0.0840 -0.0001
720 0.5060 nan 0.0840 -0.0001
740 0.5044 nan 0.0840 -0.0000
760 0.5034 nan 0.0840 -0.0001
780 0.5022 nan 0.0840 -0.0000
800 0.5005 nan 0.0840 -0.0001
820 0.4994 nan 0.0840 -0.0001
840 0.4986 nan 0.0840 -0.0001
860 0.4973 nan 0.0840 -0.0001
880 0.4958 nan 0.0840 -0.0001
900 0.4945 nan 0.0840 -0.0001
920 0.4930 nan 0.0840 -0.0001
939 0.4921 nan 0.0840 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0400 nan 0.0873 0.0301
2 0.9931 nan 0.0873 0.0229
3 0.9537 nan 0.0873 0.0195
4 0.9213 nan 0.0873 0.0162
5 0.8943 nan 0.0873 0.0130
6 0.8711 nan 0.0873 0.0114
7 0.8509 nan 0.0873 0.0103
8 0.8329 nan 0.0873 0.0090
9 0.8178 nan 0.0873 0.0074
10 0.8033 nan 0.0873 0.0070
20 0.7113 nan 0.0873 0.0031
40 0.6418 nan 0.0873 0.0006
60 0.6123 nan 0.0873 0.0004
80 0.5961 nan 0.0873 0.0001
100 0.5855 nan 0.0873 0.0000
120 0.5785 nan 0.0873 -0.0000
140 0.5723 nan 0.0873 -0.0000
160 0.5675 nan 0.0873 -0.0000
180 0.5630 nan 0.0873 -0.0001
200 0.5581 nan 0.0873 0.0000
220 0.5551 nan 0.0873 -0.0001
240 0.5519 nan 0.0873 -0.0000
260 0.5489 nan 0.0873 -0.0000
280 0.5458 nan 0.0873 -0.0001
300 0.5430 nan 0.0873 -0.0001
320 0.5394 nan 0.0873 -0.0001
340 0.5376 nan 0.0873 -0.0000
360 0.5354 nan 0.0873 -0.0000
380 0.5327 nan 0.0873 -0.0001
400 0.5303 nan 0.0873 -0.0001
420 0.5277 nan 0.0873 -0.0001
440 0.5257 nan 0.0873 -0.0001
442 0.5256 nan 0.0873 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0530 nan 0.0888 0.0241
2 1.0143 nan 0.0888 0.0195
3 0.9812 nan 0.0888 0.0162
4 0.9546 nan 0.0888 0.0132
5 0.9253 nan 0.0888 0.0147
6 0.9054 nan 0.0888 0.0096
7 0.8838 nan 0.0888 0.0112
8 0.8653 nan 0.0888 0.0092
9 0.8494 nan 0.0888 0.0080
10 0.8374 nan 0.0888 0.0060
20 0.7530 nan 0.0888 0.0031
40 0.6793 nan 0.0888 0.0013
60 0.6456 nan 0.0888 0.0006
80 0.6297 nan 0.0888 0.0003
100 0.6181 nan 0.0888 0.0002
120 0.6105 nan 0.0888 0.0002
140 0.6042 nan 0.0888 0.0000
160 0.5996 nan 0.0888 0.0000
180 0.5949 nan 0.0888 0.0001
200 0.5909 nan 0.0888 -0.0000
220 0.5873 nan 0.0888 0.0000
240 0.5844 nan 0.0888 0.0000
260 0.5826 nan 0.0888 -0.0001
280 0.5804 nan 0.0888 -0.0000
300 0.5784 nan 0.0888 0.0000
320 0.5763 nan 0.0888 -0.0000
340 0.5743 nan 0.0888 0.0001
346 0.5739 nan 0.0888 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0379 nan 0.0896 0.0302
2 0.9905 nan 0.0896 0.0240
3 0.9512 nan 0.0896 0.0197
4 0.9172 nan 0.0896 0.0169
5 0.8894 nan 0.0896 0.0141
6 0.8667 nan 0.0896 0.0113
7 0.8471 nan 0.0896 0.0098
8 0.8300 nan 0.0896 0.0084
9 0.8134 nan 0.0896 0.0082
10 0.7996 nan 0.0896 0.0068
20 0.7089 nan 0.0896 0.0027
40 0.6421 nan 0.0896 0.0005
60 0.6130 nan 0.0896 0.0002
80 0.5996 nan 0.0896 0.0001
100 0.5889 nan 0.0896 0.0001
120 0.5810 nan 0.0896 0.0001
140 0.5746 nan 0.0896 0.0000
160 0.5686 nan 0.0896 -0.0001
180 0.5643 nan 0.0896 0.0000
200 0.5605 nan 0.0896 -0.0001
220 0.5571 nan 0.0896 -0.0000
240 0.5548 nan 0.0896 -0.0001
256 0.5525 nan 0.0896 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0388 nan 0.0902 0.0312
2 0.9904 nan 0.0902 0.0246
3 0.9511 nan 0.0902 0.0194
4 0.9177 nan 0.0902 0.0167
5 0.8910 nan 0.0902 0.0134
6 0.8673 nan 0.0902 0.0119
7 0.8465 nan 0.0902 0.0104
8 0.8282 nan 0.0902 0.0094
9 0.8129 nan 0.0902 0.0075
10 0.7989 nan 0.0902 0.0070
20 0.7052 nan 0.0902 0.0023
40 0.6400 nan 0.0902 0.0010
60 0.6138 nan 0.0902 0.0004
80 0.6005 nan 0.0902 0.0003
100 0.5910 nan 0.0902 0.0001
120 0.5840 nan 0.0902 0.0002
140 0.5788 nan 0.0902 -0.0001
160 0.5744 nan 0.0902 0.0000
180 0.5706 nan 0.0902 0.0000
200 0.5675 nan 0.0902 -0.0001
220 0.5643 nan 0.0902 -0.0000
240 0.5616 nan 0.0902 -0.0000
260 0.5591 nan 0.0902 -0.0001
280 0.5569 nan 0.0902 -0.0001
300 0.5547 nan 0.0902 -0.0001
320 0.5532 nan 0.0902 -0.0001
340 0.5516 nan 0.0902 -0.0001
360 0.5497 nan 0.0902 -0.0001
380 0.5477 nan 0.0902 -0.0001
400 0.5457 nan 0.0902 -0.0001
420 0.5439 nan 0.0902 -0.0001
440 0.5426 nan 0.0902 -0.0001
460 0.5410 nan 0.0902 -0.0001
480 0.5393 nan 0.0902 -0.0001
500 0.5382 nan 0.0902 -0.0001
520 0.5372 nan 0.0902 -0.0001
540 0.5354 nan 0.0902 -0.0001
560 0.5340 nan 0.0902 -0.0000
580 0.5329 nan 0.0902 -0.0001
600 0.5314 nan 0.0902 -0.0001
620 0.5301 nan 0.0902 -0.0001
640 0.5290 nan 0.0902 -0.0001
648 0.5286 nan 0.0902 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0410 nan 0.0960 0.0291
2 0.9923 nan 0.0960 0.0245
3 0.9553 nan 0.0960 0.0183
4 0.9221 nan 0.0960 0.0163
5 0.8954 nan 0.0960 0.0133
6 0.8692 nan 0.0960 0.0126
7 0.8468 nan 0.0960 0.0113
8 0.8283 nan 0.0960 0.0092
9 0.8141 nan 0.0960 0.0068
10 0.7995 nan 0.0960 0.0072
20 0.7165 nan 0.0960 0.0021
40 0.6502 nan 0.0960 0.0009
60 0.6232 nan 0.0960 0.0002
80 0.6073 nan 0.0960 0.0003
100 0.5974 nan 0.0960 0.0001
120 0.5893 nan 0.0960 0.0001
140 0.5831 nan 0.0960 0.0000
160 0.5792 nan 0.0960 -0.0001
180 0.5737 nan 0.0960 -0.0000
200 0.5703 nan 0.0960 -0.0000
220 0.5666 nan 0.0960 0.0000
240 0.5638 nan 0.0960 -0.0000
260 0.5614 nan 0.0960 -0.0001
280 0.5585 nan 0.0960 -0.0001
300 0.5560 nan 0.0960 -0.0001
320 0.5537 nan 0.0960 -0.0000
340 0.5519 nan 0.0960 -0.0001
360 0.5501 nan 0.0960 -0.0001
380 0.5486 nan 0.0960 -0.0000
400 0.5457 nan 0.0960 -0.0000
420 0.5436 nan 0.0960 0.0001
440 0.5421 nan 0.0960 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0634 nan 0.0965 0.0189
2 1.0325 nan 0.0965 0.0154
3 1.0068 nan 0.0965 0.0125
4 0.9843 nan 0.0965 0.0112
5 0.9643 nan 0.0965 0.0100
6 0.9489 nan 0.0965 0.0078
7 0.9326 nan 0.0965 0.0077
8 0.9170 nan 0.0965 0.0080
9 0.9058 nan 0.0965 0.0056
10 0.8924 nan 0.0965 0.0066
20 0.8096 nan 0.0965 0.0029
40 0.7320 nan 0.0965 0.0016
60 0.6901 nan 0.0965 0.0009
80 0.6644 nan 0.0965 0.0004
100 0.6495 nan 0.0965 0.0001
120 0.6396 nan 0.0965 0.0001
140 0.6314 nan 0.0965 0.0001
160 0.6253 nan 0.0965 0.0001
180 0.6198 nan 0.0965 0.0001
200 0.6160 nan 0.0965 0.0001
220 0.6121 nan 0.0965 -0.0000
240 0.6091 nan 0.0965 0.0000
260 0.6064 nan 0.0965 -0.0000
280 0.6041 nan 0.0965 0.0001
300 0.6020 nan 0.0965 0.0000
320 0.5999 nan 0.0965 -0.0000
340 0.5985 nan 0.0965 -0.0000
360 0.5970 nan 0.0965 -0.0000
380 0.5953 nan 0.0965 -0.0000
400 0.5938 nan 0.0965 -0.0000
420 0.5923 nan 0.0965 -0.0000
440 0.5912 nan 0.0965 0.0000
460 0.5903 nan 0.0965 -0.0000
480 0.5896 nan 0.0965 -0.0000
500 0.5888 nan 0.0965 -0.0000
520 0.5881 nan 0.0965 -0.0000
540 0.5873 nan 0.0965 -0.0000
560 0.5866 nan 0.0965 -0.0000
580 0.5858 nan 0.0965 -0.0000
600 0.5852 nan 0.0965 -0.0001
620 0.5848 nan 0.0965 -0.0000
640 0.5842 nan 0.0965 -0.0000
660 0.5838 nan 0.0965 -0.0001
680 0.5830 nan 0.0965 -0.0000
700 0.5825 nan 0.0965 -0.0001
720 0.5820 nan 0.0965 -0.0001
740 0.5816 nan 0.0965 -0.0000
759 0.5812 nan 0.0965 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0399 nan 0.0983 0.0297
2 0.9927 nan 0.0983 0.0228
3 0.9511 nan 0.0983 0.0205
4 0.9188 nan 0.0983 0.0162
5 0.8917 nan 0.0983 0.0137
6 0.8686 nan 0.0983 0.0115
7 0.8461 nan 0.0983 0.0112
8 0.8274 nan 0.0983 0.0095
9 0.8112 nan 0.0983 0.0082
10 0.7987 nan 0.0983 0.0060
20 0.7137 nan 0.0983 0.0021
40 0.6464 nan 0.0983 0.0007
60 0.6192 nan 0.0983 0.0002
80 0.6059 nan 0.0983 0.0002
100 0.5946 nan 0.0983 0.0000
120 0.5876 nan 0.0983 0.0001
140 0.5819 nan 0.0983 0.0000
160 0.5769 nan 0.0983 0.0000
180 0.5719 nan 0.0983 0.0001
200 0.5681 nan 0.0983 -0.0000
220 0.5655 nan 0.0983 -0.0000
240 0.5626 nan 0.0983 0.0000
260 0.5600 nan 0.0983 -0.0001
280 0.5579 nan 0.0983 -0.0001
300 0.5552 nan 0.0983 -0.0001
320 0.5523 nan 0.0983 -0.0000
336 0.5506 nan 0.0983 0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0616 nan 0.1014 0.0198
2 1.0293 nan 0.1014 0.0159
3 1.0048 nan 0.1014 0.0122
4 0.9798 nan 0.1014 0.0125
5 0.9635 nan 0.1014 0.0081
6 0.9436 nan 0.1014 0.0101
7 0.9272 nan 0.1014 0.0081
8 0.9110 nan 0.1014 0.0081
9 0.9000 nan 0.1014 0.0055
10 0.8875 nan 0.1014 0.0061
20 0.8030 nan 0.1014 0.0027
40 0.7266 nan 0.1014 0.0011
60 0.6859 nan 0.1014 0.0008
80 0.6623 nan 0.1014 0.0003
100 0.6447 nan 0.1014 0.0002
120 0.6352 nan 0.1014 0.0001
140 0.6281 nan 0.1014 0.0001
160 0.6224 nan 0.1014 0.0001
180 0.6182 nan 0.1014 -0.0000
200 0.6144 nan 0.1014 0.0000
220 0.6110 nan 0.1014 -0.0000
240 0.6085 nan 0.1014 -0.0000
260 0.6057 nan 0.1014 0.0000
280 0.6035 nan 0.1014 0.0000
300 0.6014 nan 0.1014 0.0000
320 0.5996 nan 0.1014 0.0000
340 0.5982 nan 0.1014 -0.0000
360 0.5968 nan 0.1014 -0.0000
380 0.5958 nan 0.1014 -0.0000
400 0.5943 nan 0.1014 -0.0000
420 0.5933 nan 0.1014 -0.0000
440 0.5921 nan 0.1014 0.0000
460 0.5913 nan 0.1014 -0.0000
480 0.5904 nan 0.1014 -0.0000
500 0.5896 nan 0.1014 -0.0000
520 0.5888 nan 0.1014 -0.0000
540 0.5880 nan 0.1014 -0.0000
560 0.5872 nan 0.1014 -0.0000
580 0.5867 nan 0.1014 -0.0000
600 0.5862 nan 0.1014 -0.0000
620 0.5856 nan 0.1014 -0.0000
640 0.5853 nan 0.1014 -0.0000
660 0.5850 nan 0.1014 -0.0001
680 0.5847 nan 0.1014 -0.0000
700 0.5842 nan 0.1014 -0.0000
720 0.5836 nan 0.1014 -0.0000
740 0.5830 nan 0.1014 -0.0000
760 0.5828 nan 0.1014 -0.0001
780 0.5824 nan 0.1014 -0.0000
800 0.5821 nan 0.1014 -0.0000
820 0.5819 nan 0.1014 -0.0000
840 0.5814 nan 0.1014 -0.0000
860 0.5811 nan 0.1014 -0.0000
880 0.5808 nan 0.1014 0.0000
896 0.5805 nan 0.1014 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0386 nan 0.1018 0.0308
2 0.9878 nan 0.1018 0.0253
3 0.9474 nan 0.1018 0.0197
4 0.9145 nan 0.1018 0.0163
5 0.8833 nan 0.1018 0.0156
6 0.8603 nan 0.1018 0.0113
7 0.8419 nan 0.1018 0.0090
8 0.8247 nan 0.1018 0.0084
9 0.8080 nan 0.1018 0.0084
10 0.7930 nan 0.1018 0.0073
20 0.7124 nan 0.1018 0.0028
40 0.6442 nan 0.1018 0.0006
60 0.6182 nan 0.1018 0.0003
80 0.6042 nan 0.1018 0.0003
100 0.5954 nan 0.1018 0.0002
120 0.5885 nan 0.1018 0.0001
140 0.5821 nan 0.1018 0.0002
160 0.5780 nan 0.1018 -0.0000
180 0.5742 nan 0.1018 0.0000
200 0.5699 nan 0.1018 0.0000
220 0.5669 nan 0.1018 -0.0000
240 0.5641 nan 0.1018 -0.0000
260 0.5610 nan 0.1018 -0.0000
280 0.5590 nan 0.1018 -0.0001
300 0.5569 nan 0.1018 -0.0000
302 0.5567 nan 0.1018 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0465 nan 0.1024 0.0274
2 1.0051 nan 0.1024 0.0206
3 0.9686 nan 0.1024 0.0183
4 0.9335 nan 0.1024 0.0180
5 0.9088 nan 0.1024 0.0124
6 0.8833 nan 0.1024 0.0128
7 0.8648 nan 0.1024 0.0089
8 0.8459 nan 0.1024 0.0095
9 0.8316 nan 0.1024 0.0071
10 0.8174 nan 0.1024 0.0070
20 0.7364 nan 0.1024 0.0033
40 0.6668 nan 0.1024 0.0013
60 0.6375 nan 0.1024 0.0004
80 0.6225 nan 0.1024 0.0002
100 0.6125 nan 0.1024 0.0002
120 0.6048 nan 0.1024 0.0000
140 0.5994 nan 0.1024 0.0000
160 0.5939 nan 0.1024 0.0001
180 0.5896 nan 0.1024 0.0000
200 0.5860 nan 0.1024 -0.0000
220 0.5818 nan 0.1024 0.0000
240 0.5788 nan 0.1024 -0.0000
260 0.5761 nan 0.1024 -0.0000
280 0.5731 nan 0.1024 -0.0000
300 0.5708 nan 0.1024 -0.0001
320 0.5681 nan 0.1024 -0.0000
340 0.5667 nan 0.1024 0.0000
360 0.5654 nan 0.1024 -0.0001
380 0.5643 nan 0.1024 -0.0001
400 0.5626 nan 0.1024 0.0000
420 0.5605 nan 0.1024 -0.0001
440 0.5595 nan 0.1024 -0.0000
460 0.5585 nan 0.1024 -0.0000
480 0.5573 nan 0.1024 -0.0001
500 0.5564 nan 0.1024 -0.0000
520 0.5548 nan 0.1024 -0.0001
540 0.5538 nan 0.1024 -0.0001
560 0.5528 nan 0.1024 -0.0001
580 0.5519 nan 0.1024 -0.0000
600 0.5508 nan 0.1024 -0.0000
620 0.5495 nan 0.1024 0.0001
640 0.5482 nan 0.1024 -0.0000
660 0.5473 nan 0.1024 -0.0000
680 0.5464 nan 0.1024 -0.0001
700 0.5457 nan 0.1024 -0.0001
720 0.5451 nan 0.1024 -0.0000
740 0.5439 nan 0.1024 -0.0000
760 0.5429 nan 0.1024 -0.0000
780 0.5418 nan 0.1024 -0.0000
800 0.5411 nan 0.1024 -0.0001
820 0.5403 nan 0.1024 -0.0000
840 0.5397 nan 0.1024 -0.0001
851 0.5393 nan 0.1024 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0361 nan 0.1035 0.0317
2 0.9857 nan 0.1035 0.0259
3 0.9447 nan 0.1035 0.0201
4 0.9121 nan 0.1035 0.0162
5 0.8862 nan 0.1035 0.0127
6 0.8598 nan 0.1035 0.0132
7 0.8370 nan 0.1035 0.0112
8 0.8177 nan 0.1035 0.0096
9 0.8030 nan 0.1035 0.0070
10 0.7882 nan 0.1035 0.0073
20 0.7085 nan 0.1035 0.0027
40 0.6438 nan 0.1035 0.0007
60 0.6191 nan 0.1035 0.0001
80 0.6028 nan 0.1035 0.0001
100 0.5923 nan 0.1035 0.0000
120 0.5851 nan 0.1035 -0.0000
140 0.5789 nan 0.1035 0.0001
160 0.5743 nan 0.1035 -0.0001
180 0.5714 nan 0.1035 -0.0000
190 0.5697 nan 0.1035 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0378 nan 0.1036 0.0315
2 0.9856 nan 0.1036 0.0264
3 0.9458 nan 0.1036 0.0198
4 0.9127 nan 0.1036 0.0165
5 0.8862 nan 0.1036 0.0137
6 0.8616 nan 0.1036 0.0119
7 0.8411 nan 0.1036 0.0101
8 0.8217 nan 0.1036 0.0097
9 0.8071 nan 0.1036 0.0074
10 0.7956 nan 0.1036 0.0054
20 0.7117 nan 0.1036 0.0024
40 0.6447 nan 0.1036 0.0006
60 0.6182 nan 0.1036 0.0004
80 0.6029 nan 0.1036 0.0001
100 0.5937 nan 0.1036 0.0001
120 0.5857 nan 0.1036 0.0000
140 0.5804 nan 0.1036 0.0000
160 0.5757 nan 0.1036 0.0002
180 0.5724 nan 0.1036 -0.0000
200 0.5687 nan 0.1036 -0.0000
220 0.5659 nan 0.1036 -0.0001
240 0.5629 nan 0.1036 -0.0000
260 0.5602 nan 0.1036 -0.0001
280 0.5579 nan 0.1036 -0.0000
300 0.5558 nan 0.1036 -0.0000
320 0.5541 nan 0.1036 -0.0000
340 0.5517 nan 0.1036 -0.0001
360 0.5487 nan 0.1036 -0.0001
380 0.5468 nan 0.1036 -0.0000
400 0.5451 nan 0.1036 -0.0001
420 0.5430 nan 0.1036 0.0001
440 0.5413 nan 0.1036 -0.0001
460 0.5397 nan 0.1036 -0.0001
480 0.5383 nan 0.1036 -0.0001
500 0.5371 nan 0.1036 -0.0001
520 0.5359 nan 0.1036 -0.0001
540 0.5346 nan 0.1036 -0.0001
560 0.5336 nan 0.1036 -0.0000
580 0.5324 nan 0.1036 -0.0001
600 0.5313 nan 0.1036 -0.0000
620 0.5302 nan 0.1036 -0.0001
640 0.5294 nan 0.1036 -0.0002
660 0.5282 nan 0.1036 -0.0001
677 0.5274 nan 0.1036 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0281 nan 0.1079 0.0360
2 0.9744 nan 0.1079 0.0279
3 0.9311 nan 0.1079 0.0216
4 0.8960 nan 0.1079 0.0173
5 0.8667 nan 0.1079 0.0137
6 0.8432 nan 0.1079 0.0118
7 0.8216 nan 0.1079 0.0106
8 0.8045 nan 0.1079 0.0083
9 0.7868 nan 0.1079 0.0087
10 0.7708 nan 0.1079 0.0078
20 0.6853 nan 0.1079 0.0034
40 0.6256 nan 0.1079 0.0009
60 0.6034 nan 0.1079 0.0005
80 0.5894 nan 0.1079 0.0001
100 0.5815 nan 0.1079 0.0001
120 0.5751 nan 0.1079 -0.0001
140 0.5705 nan 0.1079 -0.0001
160 0.5658 nan 0.1079 0.0001
180 0.5614 nan 0.1079 -0.0000
200 0.5577 nan 0.1079 -0.0000
220 0.5552 nan 0.1079 -0.0001
240 0.5524 nan 0.1079 0.0000
260 0.5495 nan 0.1079 -0.0001
280 0.5472 nan 0.1079 -0.0001
300 0.5448 nan 0.1079 -0.0002
320 0.5429 nan 0.1079 -0.0000
340 0.5403 nan 0.1079 -0.0001
360 0.5387 nan 0.1079 -0.0001
380 0.5366 nan 0.1079 -0.0001
400 0.5344 nan 0.1079 -0.0001
419 0.5325 nan 0.1079 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0350 nan 0.1099 0.0329
2 0.9821 nan 0.1099 0.0264
3 0.9410 nan 0.1099 0.0212
4 0.9062 nan 0.1099 0.0174
5 0.8746 nan 0.1099 0.0154
6 0.8521 nan 0.1099 0.0111
7 0.8296 nan 0.1099 0.0113
8 0.8132 nan 0.1099 0.0080
9 0.7965 nan 0.1099 0.0085
10 0.7841 nan 0.1099 0.0058
20 0.7016 nan 0.1099 0.0027
40 0.6372 nan 0.1099 0.0011
60 0.6146 nan 0.1099 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0329 nan 0.1114 0.0340
2 0.9785 nan 0.1114 0.0275
3 0.9362 nan 0.1114 0.0205
4 0.9028 nan 0.1114 0.0166
5 0.8746 nan 0.1114 0.0141
6 0.8489 nan 0.1114 0.0129
7 0.8271 nan 0.1114 0.0109
8 0.8110 nan 0.1114 0.0078
9 0.7935 nan 0.1114 0.0087
10 0.7781 nan 0.1114 0.0074
20 0.6988 nan 0.1114 0.0024
40 0.6381 nan 0.1114 0.0008
60 0.6155 nan 0.1114 0.0001
80 0.6023 nan 0.1114 0.0002
100 0.5915 nan 0.1114 0.0000
120 0.5842 nan 0.1114 0.0001
140 0.5791 nan 0.1114 -0.0000
160 0.5749 nan 0.1114 0.0002
180 0.5718 nan 0.1114 -0.0000
200 0.5683 nan 0.1114 -0.0001
220 0.5655 nan 0.1114 -0.0001
240 0.5635 nan 0.1114 -0.0001
260 0.5611 nan 0.1114 -0.0000
280 0.5595 nan 0.1114 -0.0001
300 0.5576 nan 0.1114 -0.0001
320 0.5555 nan 0.1114 -0.0000
340 0.5539 nan 0.1114 -0.0001
360 0.5521 nan 0.1114 -0.0001
380 0.5504 nan 0.1114 -0.0001
400 0.5491 nan 0.1114 -0.0001
420 0.5478 nan 0.1114 -0.0001
440 0.5464 nan 0.1114 -0.0001
460 0.5450 nan 0.1114 -0.0000
480 0.5440 nan 0.1114 -0.0000
500 0.5425 nan 0.1114 -0.0001
520 0.5412 nan 0.1114 -0.0001
540 0.5400 nan 0.1114 -0.0001
560 0.5387 nan 0.1114 -0.0001
580 0.5374 nan 0.1114 -0.0001
600 0.5363 nan 0.1114 -0.0001
620 0.5349 nan 0.1114 -0.0001
640 0.5342 nan 0.1114 -0.0001
660 0.5332 nan 0.1114 -0.0000
680 0.5325 nan 0.1114 -0.0001
685 0.5322 nan 0.1114 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0575 nan 0.1122 0.0218
2 1.0230 nan 0.1122 0.0171
3 0.9967 nan 0.1122 0.0128
4 0.9710 nan 0.1122 0.0132
5 0.9538 nan 0.1122 0.0082
6 0.9333 nan 0.1122 0.0104
7 0.9153 nan 0.1122 0.0087
8 0.8989 nan 0.1122 0.0082
9 0.8877 nan 0.1122 0.0055
10 0.8743 nan 0.1122 0.0064
20 0.7916 nan 0.1122 0.0031
40 0.7164 nan 0.1122 0.0015
60 0.6764 nan 0.1122 0.0007
80 0.6540 nan 0.1122 0.0004
100 0.6405 nan 0.1122 0.0002
120 0.6323 nan 0.1122 0.0002
140 0.6251 nan 0.1122 0.0002
160 0.6197 nan 0.1122 0.0001
180 0.6144 nan 0.1122 0.0001
200 0.6105 nan 0.1122 0.0000
220 0.6076 nan 0.1122 -0.0000
240 0.6047 nan 0.1122 0.0000
260 0.6020 nan 0.1122 -0.0000
280 0.5997 nan 0.1122 -0.0000
300 0.5979 nan 0.1122 -0.0000
320 0.5961 nan 0.1122 0.0000
340 0.5946 nan 0.1122 -0.0001
360 0.5931 nan 0.1122 -0.0001
380 0.5916 nan 0.1122 -0.0000
400 0.5903 nan 0.1122 -0.0001
420 0.5892 nan 0.1122 -0.0001
440 0.5885 nan 0.1122 -0.0001
460 0.5871 nan 0.1122 -0.0000
480 0.5863 nan 0.1122 -0.0000
500 0.5855 nan 0.1122 -0.0000
520 0.5850 nan 0.1122 -0.0000
540 0.5844 nan 0.1122 -0.0000
560 0.5837 nan 0.1122 0.0000
580 0.5829 nan 0.1122 0.0000
600 0.5825 nan 0.1122 -0.0000
615 0.5820 nan 0.1122 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0358 nan 0.1211 0.0318
2 0.9874 nan 0.1211 0.0238
3 0.9497 nan 0.1211 0.0187
4 0.9119 nan 0.1211 0.0187
5 0.8824 nan 0.1211 0.0144
6 0.8614 nan 0.1211 0.0099
7 0.8418 nan 0.1211 0.0099
8 0.8260 nan 0.1211 0.0077
9 0.8098 nan 0.1211 0.0082
10 0.7972 nan 0.1211 0.0061
20 0.7149 nan 0.1211 0.0026
40 0.6528 nan 0.1211 0.0013
60 0.6295 nan 0.1211 0.0002
80 0.6160 nan 0.1211 0.0001
100 0.6067 nan 0.1211 0.0002
120 0.5988 nan 0.1211 0.0001
140 0.5932 nan 0.1211 0.0000
160 0.5890 nan 0.1211 0.0002
180 0.5854 nan 0.1211 0.0000
200 0.5820 nan 0.1211 -0.0001
220 0.5793 nan 0.1211 -0.0001
240 0.5772 nan 0.1211 -0.0000
260 0.5749 nan 0.1211 -0.0000
280 0.5725 nan 0.1211 -0.0001
300 0.5702 nan 0.1211 -0.0001
320 0.5678 nan 0.1211 -0.0001
340 0.5662 nan 0.1211 -0.0000
360 0.5640 nan 0.1211 -0.0001
380 0.5628 nan 0.1211 -0.0001
400 0.5618 nan 0.1211 -0.0001
420 0.5605 nan 0.1211 -0.0001
440 0.5596 nan 0.1211 -0.0000
460 0.5582 nan 0.1211 -0.0001
480 0.5568 nan 0.1211 -0.0000
500 0.5560 nan 0.1211 -0.0001
520 0.5552 nan 0.1211 -0.0001
540 0.5539 nan 0.1211 -0.0001
560 0.5530 nan 0.1211 -0.0000
580 0.5522 nan 0.1211 -0.0001
600 0.5508 nan 0.1211 -0.0001
620 0.5499 nan 0.1211 -0.0001
640 0.5493 nan 0.1211 -0.0000
660 0.5484 nan 0.1211 -0.0000
680 0.5478 nan 0.1211 -0.0001
700 0.5473 nan 0.1211 -0.0001
720 0.5467 nan 0.1211 -0.0001
740 0.5459 nan 0.1211 -0.0000
760 0.5453 nan 0.1211 -0.0001
780 0.5446 nan 0.1211 -0.0000
800 0.5441 nan 0.1211 -0.0001
820 0.5436 nan 0.1211 -0.0001
840 0.5433 nan 0.1211 -0.0000
848 0.5432 nan 0.1211 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0102 nan 0.1273 0.0453
2 0.9473 nan 0.1273 0.0313
3 0.8996 nan 0.1273 0.0231
4 0.8617 nan 0.1273 0.0189
5 0.8328 nan 0.1273 0.0146
6 0.8083 nan 0.1273 0.0120
7 0.7859 nan 0.1273 0.0109
8 0.7673 nan 0.1273 0.0093
9 0.7497 nan 0.1273 0.0088
10 0.7357 nan 0.1273 0.0069
20 0.6580 nan 0.1273 0.0020
40 0.6094 nan 0.1273 0.0003
60 0.5880 nan 0.1273 0.0001
80 0.5763 nan 0.1273 0.0000
100 0.5682 nan 0.1273 -0.0000
120 0.5613 nan 0.1273 -0.0000
140 0.5560 nan 0.1273 -0.0000
160 0.5509 nan 0.1273 -0.0000
180 0.5469 nan 0.1273 -0.0001
200 0.5432 nan 0.1273 -0.0001
220 0.5397 nan 0.1273 -0.0000
240 0.5365 nan 0.1273 -0.0001
260 0.5341 nan 0.1273 -0.0002
280 0.5317 nan 0.1273 -0.0001
300 0.5292 nan 0.1273 -0.0002
320 0.5263 nan 0.1273 -0.0001
340 0.5236 nan 0.1273 -0.0001
360 0.5216 nan 0.1273 -0.0001
380 0.5196 nan 0.1273 -0.0001
400 0.5177 nan 0.1273 -0.0001
420 0.5159 nan 0.1273 -0.0001
440 0.5136 nan 0.1273 -0.0002
460 0.5121 nan 0.1273 -0.0001
480 0.5105 nan 0.1273 -0.0002
500 0.5090 nan 0.1273 -0.0001
520 0.5072 nan 0.1273 -0.0001
540 0.5058 nan 0.1273 -0.0002
560 0.5043 nan 0.1273 -0.0002
580 0.5026 nan 0.1273 -0.0002
600 0.5007 nan 0.1273 -0.0002
620 0.4990 nan 0.1273 -0.0001
638 0.4978 nan 0.1273 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0256 nan 0.1282 0.0387
2 0.9665 nan 0.1282 0.0297
3 0.9211 nan 0.1282 0.0227
4 0.8849 nan 0.1282 0.0182
5 0.8574 nan 0.1282 0.0139
6 0.8330 nan 0.1282 0.0123
7 0.8116 nan 0.1282 0.0108
8 0.7933 nan 0.1282 0.0091
9 0.7799 nan 0.1282 0.0063
10 0.7665 nan 0.1282 0.0067
20 0.6865 nan 0.1282 0.0023
40 0.6287 nan 0.1282 0.0008
60 0.6077 nan 0.1282 0.0003
80 0.5955 nan 0.1282 0.0000
100 0.5876 nan 0.1282 0.0001
120 0.5808 nan 0.1282 0.0000
140 0.5763 nan 0.1282 0.0000
156 0.5731 nan 0.1282 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0136 nan 0.1284 0.0436
2 0.9528 nan 0.1284 0.0297
3 0.9060 nan 0.1284 0.0227
4 0.8686 nan 0.1284 0.0187
5 0.8408 nan 0.1284 0.0138
6 0.8162 nan 0.1284 0.0125
7 0.7971 nan 0.1284 0.0094
8 0.7780 nan 0.1284 0.0090
9 0.7629 nan 0.1284 0.0071
10 0.7482 nan 0.1284 0.0072
20 0.6683 nan 0.1284 0.0027
40 0.6178 nan 0.1284 0.0005
60 0.5976 nan 0.1284 0.0003
80 0.5859 nan 0.1284 0.0000
100 0.5782 nan 0.1284 0.0000
120 0.5723 nan 0.1284 -0.0000
140 0.5677 nan 0.1284 -0.0001
160 0.5635 nan 0.1284 -0.0001
180 0.5601 nan 0.1284 -0.0001
200 0.5566 nan 0.1284 -0.0001
220 0.5535 nan 0.1284 -0.0001
240 0.5509 nan 0.1284 -0.0001
260 0.5483 nan 0.1284 -0.0001
280 0.5454 nan 0.1284 0.0001
300 0.5429 nan 0.1284 -0.0000
320 0.5402 nan 0.1284 -0.0000
340 0.5383 nan 0.1284 -0.0001
360 0.5364 nan 0.1284 -0.0001
380 0.5346 nan 0.1284 -0.0002
400 0.5329 nan 0.1284 -0.0001
420 0.5310 nan 0.1284 -0.0001
440 0.5295 nan 0.1284 -0.0000
460 0.5277 nan 0.1284 -0.0001
480 0.5260 nan 0.1284 -0.0001
500 0.5244 nan 0.1284 -0.0001
520 0.5223 nan 0.1284 -0.0002
540 0.5212 nan 0.1284 -0.0001
560 0.5199 nan 0.1284 -0.0002
580 0.5183 nan 0.1284 -0.0002
600 0.5169 nan 0.1284 -0.0001
620 0.5151 nan 0.1284 -0.0001
640 0.5141 nan 0.1284 -0.0001
660 0.5128 nan 0.1284 -0.0002
680 0.5119 nan 0.1284 -0.0001
700 0.5107 nan 0.1284 -0.0001
720 0.5096 nan 0.1284 -0.0001
740 0.5081 nan 0.1284 -0.0001
746 0.5076 nan 0.1284 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0110 nan 0.1297 0.0446
2 0.9448 nan 0.1297 0.0327
3 0.8972 nan 0.1297 0.0237
4 0.8605 nan 0.1297 0.0180
5 0.8312 nan 0.1297 0.0148
6 0.8071 nan 0.1297 0.0116
7 0.7868 nan 0.1297 0.0098
8 0.7679 nan 0.1297 0.0095
9 0.7500 nan 0.1297 0.0088
10 0.7373 nan 0.1297 0.0059
20 0.6554 nan 0.1297 0.0025
40 0.6035 nan 0.1297 0.0008
60 0.5839 nan 0.1297 0.0002
80 0.5733 nan 0.1297 -0.0001
100 0.5650 nan 0.1297 0.0000
120 0.5595 nan 0.1297 -0.0000
140 0.5529 nan 0.1297 -0.0001
160 0.5489 nan 0.1297 0.0000
180 0.5446 nan 0.1297 -0.0001
200 0.5400 nan 0.1297 -0.0001
220 0.5364 nan 0.1297 -0.0001
240 0.5327 nan 0.1297 -0.0000
260 0.5291 nan 0.1297 -0.0001
280 0.5260 nan 0.1297 -0.0000
300 0.5233 nan 0.1297 -0.0001
320 0.5207 nan 0.1297 -0.0001
340 0.5182 nan 0.1297 0.0001
360 0.5158 nan 0.1297 -0.0001
380 0.5138 nan 0.1297 -0.0001
400 0.5117 nan 0.1297 -0.0001
420 0.5091 nan 0.1297 -0.0001
440 0.5069 nan 0.1297 -0.0001
460 0.5046 nan 0.1297 -0.0001
480 0.5029 nan 0.1297 -0.0001
500 0.5010 nan 0.1297 -0.0002
509 0.4999 nan 0.1297 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0313 nan 0.1319 0.0342
2 0.9801 nan 0.1319 0.0265
3 0.9403 nan 0.1319 0.0201
4 0.9008 nan 0.1319 0.0199
5 0.8710 nan 0.1319 0.0149
6 0.8518 nan 0.1319 0.0096
7 0.8335 nan 0.1319 0.0090
8 0.8147 nan 0.1319 0.0096
9 0.7990 nan 0.1319 0.0078
10 0.7886 nan 0.1319 0.0052
20 0.7087 nan 0.1319 0.0026
40 0.6450 nan 0.1319 0.0004
60 0.6224 nan 0.1319 0.0002
80 0.6110 nan 0.1319 0.0002
100 0.6017 nan 0.1319 0.0000
120 0.5956 nan 0.1319 -0.0000
140 0.5891 nan 0.1319 0.0000
160 0.5856 nan 0.1319 -0.0001
180 0.5826 nan 0.1319 -0.0000
200 0.5794 nan 0.1319 -0.0000
220 0.5767 nan 0.1319 -0.0000
240 0.5743 nan 0.1319 0.0002
260 0.5724 nan 0.1319 0.0000
280 0.5706 nan 0.1319 -0.0000
300 0.5689 nan 0.1319 -0.0001
320 0.5670 nan 0.1319 0.0000
340 0.5654 nan 0.1319 0.0000
360 0.5639 nan 0.1319 -0.0000
380 0.5629 nan 0.1319 -0.0001
400 0.5622 nan 0.1319 -0.0001
420 0.5607 nan 0.1319 -0.0001
440 0.5597 nan 0.1319 -0.0000
460 0.5581 nan 0.1319 -0.0001
480 0.5566 nan 0.1319 -0.0001
500 0.5556 nan 0.1319 -0.0001
520 0.5544 nan 0.1319 -0.0001
540 0.5532 nan 0.1319 -0.0001
560 0.5524 nan 0.1319 -0.0001
580 0.5514 nan 0.1319 -0.0001
600 0.5505 nan 0.1319 -0.0001
620 0.5495 nan 0.1319 -0.0001
640 0.5488 nan 0.1319 -0.0000
660 0.5478 nan 0.1319 -0.0001
680 0.5472 nan 0.1319 -0.0001
700 0.5464 nan 0.1319 -0.0001
720 0.5455 nan 0.1319 -0.0001
740 0.5447 nan 0.1319 -0.0001
760 0.5442 nan 0.1319 -0.0001
780 0.5432 nan 0.1319 -0.0001
797 0.5421 nan 0.1319 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0300 nan 0.1323 0.0340
2 0.9782 nan 0.1323 0.0253
3 0.9383 nan 0.1323 0.0197
4 0.8995 nan 0.1323 0.0194
5 0.8698 nan 0.1323 0.0149
6 0.8481 nan 0.1323 0.0107
7 0.8293 nan 0.1323 0.0092
8 0.8107 nan 0.1323 0.0090
9 0.7983 nan 0.1323 0.0062
10 0.7882 nan 0.1323 0.0051
20 0.7058 nan 0.1323 0.0027
40 0.6475 nan 0.1323 0.0009
60 0.6228 nan 0.1323 0.0004
80 0.6091 nan 0.1323 0.0003
100 0.5999 nan 0.1323 0.0004
120 0.5938 nan 0.1323 -0.0000
140 0.5884 nan 0.1323 -0.0000
160 0.5842 nan 0.1323 -0.0000
180 0.5805 nan 0.1323 0.0001
200 0.5773 nan 0.1323 0.0000
220 0.5746 nan 0.1323 -0.0001
240 0.5717 nan 0.1323 0.0000
260 0.5686 nan 0.1323 -0.0001
280 0.5663 nan 0.1323 -0.0000
300 0.5645 nan 0.1323 -0.0001
320 0.5620 nan 0.1323 -0.0000
340 0.5603 nan 0.1323 -0.0000
360 0.5585 nan 0.1323 -0.0001
380 0.5568 nan 0.1323 -0.0001
400 0.5555 nan 0.1323 0.0001
420 0.5538 nan 0.1323 -0.0001
440 0.5523 nan 0.1323 -0.0001
460 0.5513 nan 0.1323 -0.0001
480 0.5498 nan 0.1323 -0.0001
500 0.5489 nan 0.1323 -0.0001
520 0.5480 nan 0.1323 -0.0001
540 0.5471 nan 0.1323 -0.0001
560 0.5463 nan 0.1323 -0.0000
580 0.5451 nan 0.1323 -0.0001
600 0.5437 nan 0.1323 -0.0000
620 0.5420 nan 0.1323 -0.0001
640 0.5407 nan 0.1323 -0.0000
660 0.5399 nan 0.1323 -0.0001
680 0.5392 nan 0.1323 -0.0001
700 0.5382 nan 0.1323 -0.0001
720 0.5370 nan 0.1323 -0.0000
740 0.5361 nan 0.1323 -0.0001
760 0.5349 nan 0.1323 0.0000
780 0.5342 nan 0.1323 -0.0001
800 0.5329 nan 0.1323 -0.0001
820 0.5322 nan 0.1323 -0.0000
840 0.5312 nan 0.1323 -0.0001
860 0.5300 nan 0.1323 -0.0000
880 0.5291 nan 0.1323 -0.0001
900 0.5285 nan 0.1323 -0.0001
920 0.5277 nan 0.1323 -0.0001
940 0.5270 nan 0.1323 -0.0001
960 0.5257 nan 0.1323 -0.0000
980 0.5244 nan 0.1323 -0.0001
981 0.5244 nan 0.1323 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0301 nan 0.1371 0.0360
2 0.9773 nan 0.1371 0.0264
3 0.9370 nan 0.1371 0.0203
4 0.8967 nan 0.1371 0.0198
5 0.8662 nan 0.1371 0.0149
6 0.8460 nan 0.1371 0.0100
7 0.8251 nan 0.1371 0.0107
8 0.8093 nan 0.1371 0.0077
9 0.7969 nan 0.1371 0.0062
10 0.7853 nan 0.1371 0.0055
20 0.7037 nan 0.1371 0.0025
40 0.6428 nan 0.1371 0.0005
60 0.6218 nan 0.1371 0.0002
80 0.6089 nan 0.1371 -0.0001
100 0.6006 nan 0.1371 0.0001
120 0.5934 nan 0.1371 0.0001
140 0.5877 nan 0.1371 -0.0000
160 0.5839 nan 0.1371 0.0000
180 0.5804 nan 0.1371 -0.0001
200 0.5771 nan 0.1371 -0.0001
220 0.5735 nan 0.1371 -0.0001
240 0.5710 nan 0.1371 -0.0000
260 0.5689 nan 0.1371 -0.0000
280 0.5672 nan 0.1371 -0.0001
300 0.5648 nan 0.1371 -0.0001
320 0.5630 nan 0.1371 -0.0001
340 0.5600 nan 0.1371 -0.0001
360 0.5577 nan 0.1371 -0.0000
380 0.5564 nan 0.1371 -0.0001
400 0.5548 nan 0.1371 -0.0001
420 0.5535 nan 0.1371 -0.0001
440 0.5515 nan 0.1371 0.0004
460 0.5498 nan 0.1371 -0.0000
480 0.5476 nan 0.1371 0.0002
500 0.5466 nan 0.1371 -0.0000
520 0.5456 nan 0.1371 -0.0001
540 0.5443 nan 0.1371 -0.0001
560 0.5433 nan 0.1371 -0.0001
580 0.5422 nan 0.1371 -0.0001
593 0.5412 nan 0.1371 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0060 nan 0.1425 0.0480
2 0.9428 nan 0.1425 0.0320
3 0.8932 nan 0.1425 0.0240
4 0.8545 nan 0.1425 0.0189
5 0.8250 nan 0.1425 0.0146
6 0.8012 nan 0.1425 0.0118
7 0.7792 nan 0.1425 0.0109
8 0.7609 nan 0.1425 0.0091
9 0.7445 nan 0.1425 0.0080
10 0.7310 nan 0.1425 0.0065
20 0.6607 nan 0.1425 0.0023
40 0.6110 nan 0.1425 0.0005
60 0.5894 nan 0.1425 0.0001
80 0.5769 nan 0.1425 -0.0001
100 0.5684 nan 0.1425 -0.0000
120 0.5626 nan 0.1425 -0.0000
140 0.5585 nan 0.1425 -0.0001
160 0.5531 nan 0.1425 -0.0000
180 0.5479 nan 0.1425 -0.0002
200 0.5443 nan 0.1425 -0.0001
220 0.5409 nan 0.1425 -0.0002
240 0.5376 nan 0.1425 -0.0001
260 0.5341 nan 0.1425 -0.0002
280 0.5295 nan 0.1425 -0.0001
300 0.5271 nan 0.1425 -0.0001
320 0.5243 nan 0.1425 -0.0001
340 0.5216 nan 0.1425 -0.0002
360 0.5188 nan 0.1425 -0.0001
380 0.5161 nan 0.1425 -0.0002
400 0.5137 nan 0.1425 -0.0001
420 0.5114 nan 0.1425 -0.0001
440 0.5095 nan 0.1425 -0.0000
460 0.5074 nan 0.1425 -0.0002
480 0.5053 nan 0.1425 -0.0002
500 0.5035 nan 0.1425 -0.0001
520 0.5012 nan 0.1425 -0.0000
540 0.4992 nan 0.1425 -0.0001
560 0.4977 nan 0.1425 -0.0001
580 0.4958 nan 0.1425 -0.0001
600 0.4941 nan 0.1425 -0.0002
620 0.4918 nan 0.1425 -0.0001
640 0.4903 nan 0.1425 -0.0002
660 0.4885 nan 0.1425 -0.0001
680 0.4869 nan 0.1425 -0.0001
700 0.4853 nan 0.1425 -0.0001
720 0.4837 nan 0.1425 -0.0000
740 0.4820 nan 0.1425 -0.0001
760 0.4804 nan 0.1425 -0.0001
780 0.4787 nan 0.1425 -0.0001
800 0.4772 nan 0.1425 -0.0001
820 0.4758 nan 0.1425 -0.0001
831 0.4749 nan 0.1425 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9997 nan 0.1438 0.0497
2 0.9331 nan 0.1438 0.0330
3 0.8845 nan 0.1438 0.0246
4 0.8471 nan 0.1438 0.0185
5 0.8167 nan 0.1438 0.0147
6 0.7923 nan 0.1438 0.0119
7 0.7711 nan 0.1438 0.0106
8 0.7519 nan 0.1438 0.0094
9 0.7382 nan 0.1438 0.0065
10 0.7249 nan 0.1438 0.0066
20 0.6490 nan 0.1438 0.0017
40 0.6009 nan 0.1438 0.0002
60 0.5831 nan 0.1438 0.0002
80 0.5722 nan 0.1438 0.0000
100 0.5642 nan 0.1438 -0.0000
120 0.5594 nan 0.1438 -0.0002
140 0.5544 nan 0.1438 -0.0000
160 0.5492 nan 0.1438 -0.0000
180 0.5449 nan 0.1438 -0.0002
200 0.5415 nan 0.1438 -0.0002
220 0.5377 nan 0.1438 -0.0001
240 0.5348 nan 0.1438 -0.0002
259 0.5314 nan 0.1438 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0021 nan 0.1455 0.0478
2 0.9369 nan 0.1455 0.0326
3 0.8885 nan 0.1455 0.0245
4 0.8535 nan 0.1455 0.0178
5 0.8255 nan 0.1455 0.0140
6 0.8036 nan 0.1455 0.0104
7 0.7804 nan 0.1455 0.0110
8 0.7626 nan 0.1455 0.0087
9 0.7441 nan 0.1455 0.0089
10 0.7315 nan 0.1455 0.0061
20 0.6571 nan 0.1455 0.0026
40 0.6080 nan 0.1455 0.0008
60 0.5870 nan 0.1455 0.0002
80 0.5758 nan 0.1455 0.0003
100 0.5672 nan 0.1455 -0.0001
108 0.5631 nan 0.1455 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0246 nan 0.1479 0.0387
2 0.9699 nan 0.1479 0.0275
3 0.9278 nan 0.1479 0.0209
4 0.8875 nan 0.1479 0.0200
5 0.8570 nan 0.1479 0.0153
6 0.8341 nan 0.1479 0.0113
7 0.8161 nan 0.1479 0.0089
8 0.7977 nan 0.1479 0.0088
9 0.7851 nan 0.1479 0.0059
10 0.7724 nan 0.1479 0.0058
20 0.6951 nan 0.1479 0.0021
40 0.6390 nan 0.1479 0.0004
60 0.6180 nan 0.1479 0.0002
80 0.6039 nan 0.1479 0.0001
100 0.5957 nan 0.1479 0.0003
120 0.5887 nan 0.1479 -0.0000
140 0.5837 nan 0.1479 0.0000
160 0.5791 nan 0.1479 -0.0000
180 0.5754 nan 0.1479 -0.0001
200 0.5717 nan 0.1479 0.0000
220 0.5689 nan 0.1479 0.0000
240 0.5665 nan 0.1479 -0.0001
260 0.5641 nan 0.1479 0.0001
280 0.5618 nan 0.1479 0.0001
300 0.5600 nan 0.1479 -0.0001
320 0.5580 nan 0.1479 -0.0001
340 0.5560 nan 0.1479 -0.0000
360 0.5544 nan 0.1479 -0.0001
380 0.5530 nan 0.1479 -0.0000
400 0.5510 nan 0.1479 -0.0001
420 0.5498 nan 0.1479 -0.0001
440 0.5486 nan 0.1479 -0.0001
460 0.5467 nan 0.1479 -0.0000
480 0.5450 nan 0.1479 -0.0001
500 0.5430 nan 0.1479 -0.0000
520 0.5420 nan 0.1479 -0.0001
540 0.5410 nan 0.1479 -0.0001
560 0.5398 nan 0.1479 -0.0000
580 0.5387 nan 0.1479 -0.0000
600 0.5375 nan 0.1479 -0.0001
620 0.5362 nan 0.1479 -0.0000
640 0.5350 nan 0.1479 -0.0002
660 0.5340 nan 0.1479 -0.0001
680 0.5325 nan 0.1479 -0.0001
700 0.5317 nan 0.1479 -0.0001
720 0.5305 nan 0.1479 -0.0001
740 0.5295 nan 0.1479 -0.0001
760 0.5286 nan 0.1479 -0.0001
780 0.5273 nan 0.1479 -0.0001
800 0.5262 nan 0.1479 -0.0001
820 0.5255 nan 0.1479 -0.0000
840 0.5247 nan 0.1479 -0.0002
860 0.5239 nan 0.1479 -0.0001
880 0.5231 nan 0.1479 -0.0001
900 0.5223 nan 0.1479 -0.0001
920 0.5213 nan 0.1479 -0.0000
940 0.5202 nan 0.1479 -0.0000
960 0.5191 nan 0.1479 -0.0001
980 0.5182 nan 0.1479 -0.0001
986 0.5180 nan 0.1479 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9971 nan 0.1486 0.0513
2 0.9251 nan 0.1486 0.0355
3 0.8765 nan 0.1486 0.0240
4 0.8389 nan 0.1486 0.0185
5 0.8098 nan 0.1486 0.0146
6 0.7870 nan 0.1486 0.0111
7 0.7660 nan 0.1486 0.0101
8 0.7504 nan 0.1486 0.0075
9 0.7337 nan 0.1486 0.0079
10 0.7210 nan 0.1486 0.0062
20 0.6435 nan 0.1486 0.0022
40 0.5997 nan 0.1486 0.0000
60 0.5813 nan 0.1486 0.0001
80 0.5704 nan 0.1486 -0.0001
100 0.5623 nan 0.1486 -0.0001
120 0.5565 nan 0.1486 -0.0001
140 0.5513 nan 0.1486 0.0001
160 0.5462 nan 0.1486 -0.0002
180 0.5418 nan 0.1486 -0.0001
200 0.5385 nan 0.1486 -0.0002
220 0.5347 nan 0.1486 -0.0001
240 0.5316 nan 0.1486 -0.0002
260 0.5276 nan 0.1486 -0.0002
280 0.5251 nan 0.1486 -0.0001
300 0.5223 nan 0.1486 -0.0001
320 0.5196 nan 0.1486 -0.0002
340 0.5175 nan 0.1486 -0.0001
360 0.5152 nan 0.1486 -0.0001
380 0.5127 nan 0.1486 -0.0001
400 0.5099 nan 0.1486 -0.0001
420 0.5075 nan 0.1486 -0.0000
440 0.5052 nan 0.1486 -0.0001
460 0.5029 nan 0.1486 -0.0001
480 0.5012 nan 0.1486 -0.0002
500 0.4994 nan 0.1486 -0.0002
520 0.4972 nan 0.1486 -0.0003
540 0.4952 nan 0.1486 -0.0002
560 0.4936 nan 0.1486 -0.0001
580 0.4921 nan 0.1486 -0.0001
600 0.4905 nan 0.1486 -0.0000
620 0.4892 nan 0.1486 -0.0001
640 0.4875 nan 0.1486 -0.0002
660 0.4859 nan 0.1486 -0.0001
680 0.4844 nan 0.1486 -0.0002
700 0.4825 nan 0.1486 -0.0002
720 0.4808 nan 0.1486 -0.0001
740 0.4787 nan 0.1486 -0.0001
760 0.4772 nan 0.1486 -0.0001
780 0.4753 nan 0.1486 -0.0002
800 0.4734 nan 0.1486 -0.0001
820 0.4719 nan 0.1486 -0.0002
840 0.4704 nan 0.1486 -0.0001
860 0.4689 nan 0.1486 -0.0002
880 0.4676 nan 0.1486 -0.0001
900 0.4664 nan 0.1486 -0.0001
920 0.4649 nan 0.1486 -0.0001
940 0.4634 nan 0.1486 -0.0001
957 0.4624 nan 0.1486 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9997 nan 0.1502 0.0498
2 0.9339 nan 0.1502 0.0331
3 0.8849 nan 0.1502 0.0241
4 0.8487 nan 0.1502 0.0178
5 0.8180 nan 0.1502 0.0154
6 0.7944 nan 0.1502 0.0113
7 0.7756 nan 0.1502 0.0092
8 0.7582 nan 0.1502 0.0083
9 0.7424 nan 0.1502 0.0077
10 0.7293 nan 0.1502 0.0060
20 0.6558 nan 0.1502 0.0026
40 0.6073 nan 0.1502 0.0006
60 0.5895 nan 0.1502 0.0001
80 0.5785 nan 0.1502 0.0000
100 0.5697 nan 0.1502 -0.0001
120 0.5637 nan 0.1502 -0.0001
140 0.5592 nan 0.1502 0.0001
160 0.5540 nan 0.1502 -0.0001
180 0.5502 nan 0.1502 -0.0000
200 0.5467 nan 0.1502 -0.0001
220 0.5429 nan 0.1502 -0.0000
240 0.5402 nan 0.1502 -0.0002
260 0.5377 nan 0.1502 -0.0001
280 0.5349 nan 0.1502 -0.0000
300 0.5327 nan 0.1502 -0.0002
320 0.5308 nan 0.1502 -0.0001
340 0.5282 nan 0.1502 -0.0002
360 0.5263 nan 0.1502 -0.0001
380 0.5246 nan 0.1502 -0.0001
400 0.5224 nan 0.1502 -0.0002
420 0.5203 nan 0.1502 -0.0001
440 0.5189 nan 0.1502 -0.0001
460 0.5173 nan 0.1502 -0.0001
480 0.5154 nan 0.1502 -0.0001
500 0.5140 nan 0.1502 -0.0002
520 0.5125 nan 0.1502 -0.0001
540 0.5112 nan 0.1502 -0.0002
560 0.5097 nan 0.1502 -0.0001
580 0.5083 nan 0.1502 -0.0000
600 0.5070 nan 0.1502 -0.0002
620 0.5054 nan 0.1502 -0.0002
640 0.5040 nan 0.1502 -0.0002
660 0.5027 nan 0.1502 -0.0002
680 0.5014 nan 0.1502 -0.0001
689 0.5008 nan 0.1502 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9967 nan 0.1546 0.0511
2 0.9309 nan 0.1546 0.0327
3 0.8802 nan 0.1546 0.0256
4 0.8444 nan 0.1546 0.0174
5 0.8160 nan 0.1546 0.0139
6 0.7917 nan 0.1546 0.0125
7 0.7683 nan 0.1546 0.0112
8 0.7499 nan 0.1546 0.0090
9 0.7330 nan 0.1546 0.0079
10 0.7217 nan 0.1546 0.0057
20 0.6511 nan 0.1546 0.0018
40 0.6033 nan 0.1546 0.0003
60 0.5838 nan 0.1546 0.0000
80 0.5727 nan 0.1546 -0.0000
100 0.5649 nan 0.1546 -0.0000
120 0.5584 nan 0.1546 0.0001
140 0.5504 nan 0.1546 -0.0000
160 0.5463 nan 0.1546 -0.0001
180 0.5418 nan 0.1546 -0.0002
200 0.5366 nan 0.1546 -0.0001
220 0.5332 nan 0.1546 -0.0001
240 0.5299 nan 0.1546 -0.0000
260 0.5270 nan 0.1546 -0.0002
280 0.5233 nan 0.1546 -0.0001
300 0.5202 nan 0.1546 -0.0001
320 0.5176 nan 0.1546 -0.0001
340 0.5147 nan 0.1546 -0.0002
347 0.5137 nan 0.1546 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9960 nan 0.1561 0.0515
2 0.9292 nan 0.1561 0.0338
3 0.8799 nan 0.1561 0.0241
4 0.8440 nan 0.1561 0.0178
5 0.8156 nan 0.1561 0.0139
6 0.7892 nan 0.1561 0.0135
7 0.7690 nan 0.1561 0.0097
8 0.7522 nan 0.1561 0.0081
9 0.7358 nan 0.1561 0.0082
10 0.7224 nan 0.1561 0.0064
20 0.6505 nan 0.1561 0.0016
40 0.6046 nan 0.1561 0.0002
60 0.5859 nan 0.1561 0.0001
80 0.5740 nan 0.1561 0.0002
100 0.5678 nan 0.1561 0.0001
120 0.5603 nan 0.1561 -0.0001
140 0.5562 nan 0.1561 -0.0000
160 0.5505 nan 0.1561 -0.0001
180 0.5456 nan 0.1561 -0.0000
200 0.5415 nan 0.1561 -0.0002
220 0.5374 nan 0.1561 -0.0002
240 0.5338 nan 0.1561 -0.0000
260 0.5310 nan 0.1561 -0.0002
280 0.5284 nan 0.1561 -0.0001
300 0.5254 nan 0.1561 -0.0001
302 0.5251 nan 0.1561 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0071 nan 0.1572 0.0468
2 0.9381 nan 0.1572 0.0341
3 0.8907 nan 0.1572 0.0226
4 0.8542 nan 0.1572 0.0179
5 0.8232 nan 0.1572 0.0158
6 0.7991 nan 0.1572 0.0122
7 0.7814 nan 0.1572 0.0085
8 0.7679 nan 0.1572 0.0063
9 0.7522 nan 0.1572 0.0076
10 0.7395 nan 0.1572 0.0063
20 0.6627 nan 0.1572 0.0022
40 0.6190 nan 0.1572 0.0006
60 0.6006 nan 0.1572 0.0001
80 0.5899 nan 0.1572 -0.0001
100 0.5833 nan 0.1572 -0.0001
120 0.5776 nan 0.1572 -0.0000
140 0.5730 nan 0.1572 -0.0001
160 0.5688 nan 0.1572 -0.0000
180 0.5659 nan 0.1572 -0.0002
200 0.5637 nan 0.1572 -0.0001
220 0.5612 nan 0.1572 -0.0002
240 0.5593 nan 0.1572 -0.0002
260 0.5570 nan 0.1572 -0.0001
280 0.5544 nan 0.1572 -0.0001
300 0.5522 nan 0.1572 -0.0002
320 0.5500 nan 0.1572 -0.0001
340 0.5478 nan 0.1572 -0.0001
360 0.5463 nan 0.1572 -0.0001
380 0.5444 nan 0.1572 -0.0001
400 0.5429 nan 0.1572 -0.0002
404 0.5425 nan 0.1572 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0058 nan 0.1580 0.0464
2 0.9375 nan 0.1580 0.0345
3 0.8921 nan 0.1580 0.0228
4 0.8548 nan 0.1580 0.0186
5 0.8234 nan 0.1580 0.0154
6 0.7985 nan 0.1580 0.0123
7 0.7787 nan 0.1580 0.0095
8 0.7628 nan 0.1580 0.0078
9 0.7479 nan 0.1580 0.0073
10 0.7361 nan 0.1580 0.0056
20 0.6592 nan 0.1580 0.0021
40 0.6154 nan 0.1580 0.0005
60 0.5967 nan 0.1580 -0.0001
80 0.5858 nan 0.1580 0.0000
100 0.5783 nan 0.1580 -0.0001
120 0.5738 nan 0.1580 -0.0001
140 0.5680 nan 0.1580 0.0003
160 0.5648 nan 0.1580 -0.0000
180 0.5605 nan 0.1580 0.0001
200 0.5577 nan 0.1580 -0.0000
220 0.5552 nan 0.1580 -0.0000
240 0.5519 nan 0.1580 -0.0001
260 0.5495 nan 0.1580 -0.0001
280 0.5474 nan 0.1580 -0.0000
300 0.5454 nan 0.1580 0.0001
320 0.5433 nan 0.1580 -0.0000
340 0.5420 nan 0.1580 -0.0001
360 0.5406 nan 0.1580 -0.0001
380 0.5389 nan 0.1580 0.0000
400 0.5374 nan 0.1580 -0.0001
420 0.5362 nan 0.1580 -0.0001
440 0.5351 nan 0.1580 -0.0002
460 0.5333 nan 0.1580 0.0000
480 0.5316 nan 0.1580 -0.0001
500 0.5306 nan 0.1580 -0.0001
514 0.5296 nan 0.1580 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0057 nan 0.1589 0.0479
2 0.9388 nan 0.1589 0.0333
3 0.8906 nan 0.1589 0.0241
4 0.8499 nan 0.1589 0.0198
5 0.8192 nan 0.1589 0.0161
6 0.7955 nan 0.1589 0.0114
7 0.7769 nan 0.1589 0.0093
8 0.7605 nan 0.1589 0.0078
9 0.7474 nan 0.1589 0.0065
10 0.7360 nan 0.1589 0.0055
20 0.6638 nan 0.1589 0.0026
40 0.6166 nan 0.1589 0.0006
60 0.5983 nan 0.1589 0.0003
80 0.5885 nan 0.1589 -0.0000
100 0.5807 nan 0.1589 0.0001
120 0.5755 nan 0.1589 0.0001
140 0.5715 nan 0.1589 -0.0001
160 0.5660 nan 0.1589 0.0000
180 0.5616 nan 0.1589 0.0001
200 0.5582 nan 0.1589 -0.0000
220 0.5544 nan 0.1589 0.0002
240 0.5525 nan 0.1589 -0.0001
260 0.5505 nan 0.1589 -0.0001
280 0.5483 nan 0.1589 -0.0001
300 0.5465 nan 0.1589 -0.0001
320 0.5440 nan 0.1589 -0.0001
340 0.5416 nan 0.1589 -0.0001
360 0.5399 nan 0.1589 -0.0000
380 0.5377 nan 0.1589 -0.0003
400 0.5360 nan 0.1589 -0.0001
420 0.5346 nan 0.1589 -0.0001
440 0.5329 nan 0.1589 -0.0002
460 0.5311 nan 0.1589 -0.0001
480 0.5293 nan 0.1589 -0.0002
500 0.5282 nan 0.1589 -0.0001
520 0.5263 nan 0.1589 -0.0002
540 0.5246 nan 0.1589 -0.0000
557 0.5241 nan 0.1589 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0173 nan 0.1591 0.0413
2 0.9598 nan 0.1591 0.0288
3 0.9105 nan 0.1591 0.0245
4 0.8745 nan 0.1591 0.0179
5 0.8506 nan 0.1591 0.0115
6 0.8265 nan 0.1591 0.0123
7 0.8064 nan 0.1591 0.0099
8 0.7938 nan 0.1591 0.0066
9 0.7794 nan 0.1591 0.0065
10 0.7670 nan 0.1591 0.0060
20 0.6882 nan 0.1591 0.0019
40 0.6355 nan 0.1591 0.0008
60 0.6131 nan 0.1591 0.0005
80 0.6030 nan 0.1591 0.0002
100 0.5935 nan 0.1591 -0.0000
120 0.5868 nan 0.1591 -0.0000
140 0.5810 nan 0.1591 -0.0001
160 0.5763 nan 0.1591 -0.0001
180 0.5728 nan 0.1591 -0.0000
200 0.5697 nan 0.1591 0.0000
220 0.5673 nan 0.1591 -0.0001
240 0.5653 nan 0.1591 -0.0001
260 0.5629 nan 0.1591 -0.0001
280 0.5606 nan 0.1591 -0.0001
300 0.5583 nan 0.1591 -0.0002
320 0.5571 nan 0.1591 0.0000
340 0.5546 nan 0.1591 -0.0001
360 0.5532 nan 0.1591 -0.0000
380 0.5514 nan 0.1591 -0.0000
400 0.5501 nan 0.1591 -0.0001
420 0.5490 nan 0.1591 0.0000
440 0.5479 nan 0.1591 -0.0001
460 0.5463 nan 0.1591 -0.0002
480 0.5449 nan 0.1591 -0.0001
500 0.5431 nan 0.1591 0.0000
520 0.5419 nan 0.1591 -0.0001
540 0.5406 nan 0.1591 -0.0000
560 0.5391 nan 0.1591 -0.0000
580 0.5379 nan 0.1591 -0.0000
600 0.5365 nan 0.1591 -0.0001
620 0.5356 nan 0.1591 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9946 nan 0.1593 0.0533
2 0.9251 nan 0.1593 0.0337
3 0.8745 nan 0.1593 0.0253
4 0.8380 nan 0.1593 0.0180
5 0.8108 nan 0.1593 0.0130
6 0.7855 nan 0.1593 0.0120
7 0.7618 nan 0.1593 0.0116
8 0.7451 nan 0.1593 0.0086
9 0.7279 nan 0.1593 0.0080
10 0.7137 nan 0.1593 0.0065
20 0.6473 nan 0.1593 0.0019
40 0.6057 nan 0.1593 0.0007
60 0.5881 nan 0.1593 0.0003
80 0.5790 nan 0.1593 -0.0000
100 0.5720 nan 0.1593 -0.0001
120 0.5654 nan 0.1593 0.0000
140 0.5618 nan 0.1593 -0.0001
160 0.5579 nan 0.1593 -0.0002
180 0.5551 nan 0.1593 -0.0002
200 0.5514 nan 0.1593 -0.0002
220 0.5484 nan 0.1593 0.0001
240 0.5456 nan 0.1593 -0.0002
260 0.5427 nan 0.1593 0.0002
280 0.5396 nan 0.1593 -0.0001
300 0.5368 nan 0.1593 -0.0001
320 0.5347 nan 0.1593 -0.0002
340 0.5330 nan 0.1593 -0.0001
360 0.5308 nan 0.1593 -0.0002
380 0.5289 nan 0.1593 -0.0002
400 0.5274 nan 0.1593 -0.0002
420 0.5260 nan 0.1593 -0.0002
440 0.5248 nan 0.1593 -0.0002
460 0.5223 nan 0.1593 -0.0001
480 0.5204 nan 0.1593 -0.0001
500 0.5187 nan 0.1593 -0.0001
520 0.5174 nan 0.1593 -0.0002
540 0.5159 nan 0.1593 -0.0001
560 0.5145 nan 0.1593 -0.0003
580 0.5131 nan 0.1593 -0.0001
600 0.5117 nan 0.1593 -0.0002
620 0.5102 nan 0.1593 -0.0001
639 0.5089 nan 0.1593 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9890 nan 0.1625 0.0554
2 0.9179 nan 0.1625 0.0344
3 0.8653 nan 0.1625 0.0259
4 0.8251 nan 0.1625 0.0202
5 0.7951 nan 0.1625 0.0147
6 0.7701 nan 0.1625 0.0125
7 0.7501 nan 0.1625 0.0096
8 0.7303 nan 0.1625 0.0092
9 0.7159 nan 0.1625 0.0071
10 0.7046 nan 0.1625 0.0054
20 0.6391 nan 0.1625 0.0019
40 0.5937 nan 0.1625 0.0008
60 0.5777 nan 0.1625 -0.0000
80 0.5683 nan 0.1625 -0.0001
100 0.5603 nan 0.1625 -0.0000
120 0.5554 nan 0.1625 -0.0001
140 0.5498 nan 0.1625 -0.0002
160 0.5444 nan 0.1625 -0.0001
180 0.5409 nan 0.1625 -0.0002
185 0.5400 nan 0.1625 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9903 nan 0.1685 0.0555
2 0.9178 nan 0.1685 0.0367
3 0.8700 nan 0.1685 0.0241
4 0.8333 nan 0.1685 0.0183
5 0.8033 nan 0.1685 0.0148
6 0.7774 nan 0.1685 0.0125
7 0.7592 nan 0.1685 0.0088
8 0.7424 nan 0.1685 0.0083
9 0.7281 nan 0.1685 0.0064
10 0.7167 nan 0.1685 0.0056
20 0.6428 nan 0.1685 0.0013
40 0.5985 nan 0.1685 0.0001
60 0.5813 nan 0.1685 -0.0000
80 0.5682 nan 0.1685 -0.0001
100 0.5597 nan 0.1685 -0.0002
120 0.5533 nan 0.1685 -0.0001
140 0.5475 nan 0.1685 -0.0002
160 0.5425 nan 0.1685 -0.0001
180 0.5362 nan 0.1685 -0.0002
200 0.5322 nan 0.1685 -0.0001
220 0.5286 nan 0.1685 -0.0003
240 0.5250 nan 0.1685 -0.0001
260 0.5215 nan 0.1685 -0.0001
280 0.5178 nan 0.1685 -0.0002
300 0.5150 nan 0.1685 -0.0000
320 0.5115 nan 0.1685 -0.0000
340 0.5083 nan 0.1685 -0.0001
360 0.5056 nan 0.1685 -0.0001
380 0.5026 nan 0.1685 -0.0001
400 0.5000 nan 0.1685 -0.0002
420 0.4970 nan 0.1685 -0.0001
440 0.4941 nan 0.1685 -0.0001
460 0.4922 nan 0.1685 -0.0002
480 0.4902 nan 0.1685 -0.0002
500 0.4876 nan 0.1685 -0.0002
520 0.4853 nan 0.1685 -0.0002
540 0.4826 nan 0.1685 -0.0001
560 0.4797 nan 0.1685 -0.0001
580 0.4771 nan 0.1685 -0.0001
600 0.4746 nan 0.1685 -0.0001
620 0.4727 nan 0.1685 -0.0000
640 0.4705 nan 0.1685 -0.0002
660 0.4683 nan 0.1685 -0.0002
680 0.4659 nan 0.1685 -0.0001
700 0.4635 nan 0.1685 -0.0003
720 0.4615 nan 0.1685 -0.0002
740 0.4594 nan 0.1685 -0.0001
750 0.4583 nan 0.1685 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0126 nan 0.1687 0.0436
2 0.9528 nan 0.1687 0.0301
3 0.9098 nan 0.1687 0.0215
4 0.8685 nan 0.1687 0.0217
5 0.8384 nan 0.1687 0.0147
6 0.8181 nan 0.1687 0.0102
7 0.7978 nan 0.1687 0.0105
8 0.7849 nan 0.1687 0.0063
9 0.7694 nan 0.1687 0.0076
10 0.7585 nan 0.1687 0.0055
20 0.6834 nan 0.1687 0.0024
40 0.6323 nan 0.1687 0.0002
60 0.6123 nan 0.1687 0.0003
80 0.6008 nan 0.1687 0.0002
100 0.5932 nan 0.1687 0.0001
120 0.5872 nan 0.1687 -0.0000
140 0.5830 nan 0.1687 0.0000
160 0.5790 nan 0.1687 0.0001
180 0.5755 nan 0.1687 -0.0001
200 0.5730 nan 0.1687 -0.0001
220 0.5700 nan 0.1687 0.0003
240 0.5679 nan 0.1687 -0.0001
257 0.5657 nan 0.1687 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0124 nan 0.1688 0.0440
2 0.9525 nan 0.1688 0.0301
3 0.9096 nan 0.1688 0.0214
4 0.8687 nan 0.1688 0.0207
5 0.8386 nan 0.1688 0.0148
6 0.8176 nan 0.1688 0.0100
7 0.8011 nan 0.1688 0.0079
8 0.7875 nan 0.1688 0.0064
9 0.7699 nan 0.1688 0.0086
10 0.7564 nan 0.1688 0.0066
20 0.6819 nan 0.1688 0.0023
40 0.6326 nan 0.1688 0.0002
60 0.6125 nan 0.1688 0.0001
80 0.6010 nan 0.1688 0.0001
100 0.5907 nan 0.1688 0.0001
120 0.5854 nan 0.1688 0.0000
140 0.5809 nan 0.1688 -0.0001
160 0.5760 nan 0.1688 -0.0000
180 0.5731 nan 0.1688 -0.0001
200 0.5706 nan 0.1688 -0.0001
220 0.5681 nan 0.1688 -0.0001
240 0.5650 nan 0.1688 -0.0000
260 0.5634 nan 0.1688 -0.0000
280 0.5605 nan 0.1688 -0.0000
300 0.5581 nan 0.1688 -0.0000
320 0.5561 nan 0.1688 -0.0002
340 0.5541 nan 0.1688 -0.0001
360 0.5522 nan 0.1688 -0.0001
380 0.5505 nan 0.1688 -0.0002
400 0.5492 nan 0.1688 -0.0001
420 0.5476 nan 0.1688 -0.0001
440 0.5464 nan 0.1688 -0.0001
460 0.5454 nan 0.1688 -0.0001
480 0.5441 nan 0.1688 -0.0001
500 0.5425 nan 0.1688 -0.0001
520 0.5415 nan 0.1688 -0.0001
540 0.5404 nan 0.1688 -0.0002
560 0.5396 nan 0.1688 0.0000
572 0.5390 nan 0.1688 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9840 nan 0.1722 0.0600
2 0.9090 nan 0.1722 0.0376
3 0.8574 nan 0.1722 0.0258
4 0.8176 nan 0.1722 0.0197
5 0.7884 nan 0.1722 0.0143
6 0.7658 nan 0.1722 0.0112
7 0.7450 nan 0.1722 0.0099
8 0.7254 nan 0.1722 0.0098
9 0.7079 nan 0.1722 0.0084
10 0.6987 nan 0.1722 0.0040
20 0.6312 nan 0.1722 0.0023
40 0.5906 nan 0.1722 0.0002
60 0.5729 nan 0.1722 0.0000
80 0.5618 nan 0.1722 0.0002
100 0.5543 nan 0.1722 -0.0003
120 0.5466 nan 0.1722 0.0001
140 0.5417 nan 0.1722 -0.0000
160 0.5365 nan 0.1722 -0.0002
180 0.5326 nan 0.1722 -0.0003
200 0.5277 nan 0.1722 -0.0002
220 0.5236 nan 0.1722 0.0002
240 0.5202 nan 0.1722 -0.0001
260 0.5174 nan 0.1722 -0.0002
280 0.5136 nan 0.1722 -0.0001
300 0.5099 nan 0.1722 -0.0003
320 0.5065 nan 0.1722 -0.0002
340 0.5032 nan 0.1722 -0.0001
360 0.4996 nan 0.1722 -0.0001
380 0.4971 nan 0.1722 -0.0002
400 0.4947 nan 0.1722 -0.0002
420 0.4914 nan 0.1722 -0.0002
440 0.4890 nan 0.1722 -0.0003
460 0.4870 nan 0.1722 -0.0003
480 0.4847 nan 0.1722 -0.0002
500 0.4820 nan 0.1722 -0.0001
520 0.4796 nan 0.1722 -0.0002
540 0.4772 nan 0.1722 -0.0001
560 0.4753 nan 0.1722 -0.0001
580 0.4733 nan 0.1722 -0.0001
600 0.4714 nan 0.1722 -0.0002
620 0.4694 nan 0.1722 -0.0002
640 0.4668 nan 0.1722 -0.0001
660 0.4645 nan 0.1722 -0.0001
665 0.4640 nan 0.1722 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9822 nan 0.1728 0.0589
2 0.9082 nan 0.1728 0.0374
3 0.8573 nan 0.1728 0.0257
4 0.8189 nan 0.1728 0.0188
5 0.7890 nan 0.1728 0.0147
6 0.7666 nan 0.1728 0.0112
7 0.7473 nan 0.1728 0.0091
8 0.7263 nan 0.1728 0.0104
9 0.7132 nan 0.1728 0.0058
10 0.7016 nan 0.1728 0.0056
20 0.6342 nan 0.1728 0.0019
40 0.5945 nan 0.1728 0.0001
60 0.5775 nan 0.1728 0.0001
80 0.5686 nan 0.1728 -0.0001
100 0.5607 nan 0.1728 -0.0001
120 0.5554 nan 0.1728 -0.0003
140 0.5504 nan 0.1728 -0.0002
160 0.5455 nan 0.1728 0.0000
180 0.5420 nan 0.1728 -0.0001
200 0.5383 nan 0.1728 -0.0001
220 0.5353 nan 0.1728 -0.0003
240 0.5328 nan 0.1728 -0.0002
260 0.5292 nan 0.1728 -0.0002
280 0.5265 nan 0.1728 -0.0002
300 0.5243 nan 0.1728 -0.0001
320 0.5222 nan 0.1728 -0.0002
340 0.5201 nan 0.1728 -0.0003
360 0.5181 nan 0.1728 -0.0004
380 0.5159 nan 0.1728 -0.0001
400 0.5137 nan 0.1728 -0.0003
420 0.5114 nan 0.1728 -0.0002
434 0.5102 nan 0.1728 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9849 nan 0.1746 0.0577
2 0.9107 nan 0.1746 0.0367
3 0.8621 nan 0.1746 0.0242
4 0.8258 nan 0.1746 0.0179
5 0.7931 nan 0.1746 0.0166
6 0.7691 nan 0.1746 0.0118
7 0.7481 nan 0.1746 0.0104
8 0.7317 nan 0.1746 0.0078
9 0.7171 nan 0.1746 0.0068
10 0.7043 nan 0.1746 0.0060
20 0.6415 nan 0.1746 0.0022
40 0.5970 nan 0.1746 0.0002
60 0.5781 nan 0.1746 0.0000
80 0.5688 nan 0.1746 -0.0000
100 0.5596 nan 0.1746 -0.0000
120 0.5526 nan 0.1746 -0.0001
140 0.5460 nan 0.1746 -0.0002
160 0.5414 nan 0.1746 0.0000
180 0.5370 nan 0.1746 -0.0001
200 0.5323 nan 0.1746 -0.0001
220 0.5266 nan 0.1746 -0.0002
240 0.5228 nan 0.1746 0.0000
260 0.5196 nan 0.1746 -0.0002
280 0.5163 nan 0.1746 -0.0000
300 0.5134 nan 0.1746 -0.0001
320 0.5098 nan 0.1746 -0.0001
340 0.5062 nan 0.1746 0.0000
360 0.5028 nan 0.1746 -0.0002
380 0.5001 nan 0.1746 -0.0001
400 0.4973 nan 0.1746 -0.0001
420 0.4950 nan 0.1746 -0.0001
440 0.4925 nan 0.1746 -0.0002
460 0.4893 nan 0.1746 -0.0001
480 0.4868 nan 0.1746 -0.0001
500 0.4839 nan 0.1746 -0.0001
520 0.4817 nan 0.1746 -0.0002
540 0.4795 nan 0.1746 -0.0001
560 0.4770 nan 0.1746 -0.0001
580 0.4747 nan 0.1746 -0.0002
600 0.4723 nan 0.1746 -0.0001
620 0.4704 nan 0.1746 -0.0001
640 0.4677 nan 0.1746 -0.0000
660 0.4654 nan 0.1746 -0.0002
680 0.4634 nan 0.1746 -0.0000
700 0.4616 nan 0.1746 -0.0003
720 0.4592 nan 0.1746 -0.0001
740 0.4572 nan 0.1746 -0.0002
760 0.4553 nan 0.1746 -0.0001
780 0.4527 nan 0.1746 -0.0002
800 0.4509 nan 0.1746 -0.0003
820 0.4490 nan 0.1746 -0.0001
840 0.4475 nan 0.1746 -0.0001
860 0.4455 nan 0.1746 -0.0001
870 0.4444 nan 0.1746 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9949 nan 0.1804 0.0527
2 0.9223 nan 0.1804 0.0357
3 0.8749 nan 0.1804 0.0234
4 0.8370 nan 0.1804 0.0190
5 0.8047 nan 0.1804 0.0159
6 0.7836 nan 0.1804 0.0101
7 0.7653 nan 0.1804 0.0083
8 0.7490 nan 0.1804 0.0081
9 0.7350 nan 0.1804 0.0067
10 0.7250 nan 0.1804 0.0045
20 0.6549 nan 0.1804 0.0017
40 0.6113 nan 0.1804 0.0007
60 0.5945 nan 0.1804 0.0001
80 0.5817 nan 0.1804 0.0001
100 0.5744 nan 0.1804 -0.0001
120 0.5686 nan 0.1804 -0.0000
140 0.5637 nan 0.1804 -0.0002
160 0.5602 nan 0.1804 -0.0002
180 0.5565 nan 0.1804 -0.0001
200 0.5534 nan 0.1804 -0.0002
220 0.5505 nan 0.1804 -0.0001
240 0.5481 nan 0.1804 -0.0001
260 0.5459 nan 0.1804 -0.0002
280 0.5436 nan 0.1804 0.0000
300 0.5410 nan 0.1804 -0.0001
320 0.5389 nan 0.1804 -0.0001
340 0.5375 nan 0.1804 -0.0001
360 0.5358 nan 0.1804 -0.0001
380 0.5345 nan 0.1804 -0.0002
400 0.5332 nan 0.1804 -0.0001
420 0.5317 nan 0.1804 -0.0002
440 0.5305 nan 0.1804 -0.0003
460 0.5290 nan 0.1804 -0.0001
480 0.5275 nan 0.1804 -0.0002
500 0.5261 nan 0.1804 -0.0002
520 0.5249 nan 0.1804 -0.0000
540 0.5237 nan 0.1804 -0.0001
560 0.5226 nan 0.1804 -0.0001
580 0.5213 nan 0.1804 -0.0001
600 0.5195 nan 0.1804 -0.0001
620 0.5183 nan 0.1804 -0.0002
640 0.5173 nan 0.1804 -0.0002
660 0.5163 nan 0.1804 -0.0002
667 0.5161 nan 0.1804 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9921 nan 0.1837 0.0528
2 0.9184 nan 0.1837 0.0365
3 0.8716 nan 0.1837 0.0230
4 0.8303 nan 0.1837 0.0205
5 0.7996 nan 0.1837 0.0152
6 0.7749 nan 0.1837 0.0122
7 0.7560 nan 0.1837 0.0094
8 0.7413 nan 0.1837 0.0070
9 0.7291 nan 0.1837 0.0057
10 0.7184 nan 0.1837 0.0056
20 0.6528 nan 0.1837 0.0020
40 0.6085 nan 0.1837 0.0007
60 0.5910 nan 0.1837 0.0002
80 0.5793 nan 0.1837 -0.0000
100 0.5717 nan 0.1837 -0.0001
120 0.5656 nan 0.1837 -0.0000
140 0.5605 nan 0.1837 -0.0001
160 0.5568 nan 0.1837 -0.0001
180 0.5535 nan 0.1837 -0.0001
200 0.5508 nan 0.1837 -0.0001
220 0.5478 nan 0.1837 -0.0001
240 0.5452 nan 0.1837 0.0000
260 0.5425 nan 0.1837 -0.0001
280 0.5405 nan 0.1837 -0.0003
300 0.5379 nan 0.1837 -0.0001
320 0.5363 nan 0.1837 -0.0002
340 0.5337 nan 0.1837 -0.0001
360 0.5316 nan 0.1837 -0.0001
380 0.5297 nan 0.1837 -0.0000
400 0.5276 nan 0.1837 -0.0002
420 0.5257 nan 0.1837 -0.0001
440 0.5235 nan 0.1837 -0.0001
460 0.5223 nan 0.1837 -0.0001
480 0.5208 nan 0.1837 0.0001
500 0.5192 nan 0.1837 -0.0002
507 0.5188 nan 0.1837 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0072 nan 0.1839 0.0466
2 0.9435 nan 0.1839 0.0303
3 0.8992 nan 0.1839 0.0217
4 0.8570 nan 0.1839 0.0213
5 0.8294 nan 0.1839 0.0135
6 0.8052 nan 0.1839 0.0125
7 0.7887 nan 0.1839 0.0077
8 0.7756 nan 0.1839 0.0065
9 0.7595 nan 0.1839 0.0080
10 0.7461 nan 0.1839 0.0064
20 0.6729 nan 0.1839 0.0028
40 0.6269 nan 0.1839 0.0007
60 0.6091 nan 0.1839 0.0002
80 0.5988 nan 0.1839 -0.0000
100 0.5914 nan 0.1839 -0.0001
120 0.5852 nan 0.1839 0.0001
140 0.5804 nan 0.1839 -0.0000
160 0.5761 nan 0.1839 -0.0000
180 0.5738 nan 0.1839 -0.0001
200 0.5716 nan 0.1839 -0.0001
220 0.5689 nan 0.1839 -0.0001
240 0.5658 nan 0.1839 -0.0001
260 0.5639 nan 0.1839 -0.0001
280 0.5624 nan 0.1839 -0.0000
300 0.5606 nan 0.1839 -0.0001
320 0.5584 nan 0.1839 -0.0001
340 0.5569 nan 0.1839 -0.0002
360 0.5554 nan 0.1839 0.0001
380 0.5542 nan 0.1839 -0.0001
400 0.5527 nan 0.1839 -0.0001
420 0.5510 nan 0.1839 -0.0001
440 0.5499 nan 0.1839 -0.0002
460 0.5490 nan 0.1839 -0.0002
480 0.5480 nan 0.1839 -0.0000
500 0.5462 nan 0.1839 -0.0001
520 0.5452 nan 0.1839 -0.0002
540 0.5448 nan 0.1839 -0.0001
560 0.5436 nan 0.1839 -0.0002
580 0.5427 nan 0.1839 -0.0001
600 0.5421 nan 0.1839 -0.0000
620 0.5415 nan 0.1839 -0.0001
640 0.5410 nan 0.1839 -0.0001
660 0.5405 nan 0.1839 -0.0001
680 0.5398 nan 0.1839 -0.0001
700 0.5391 nan 0.1839 -0.0000
706 0.5388 nan 0.1839 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0021 nan 0.1931 0.0485
2 0.9374 nan 0.1931 0.0315
3 0.8841 nan 0.1931 0.0258
4 0.8477 nan 0.1931 0.0184
5 0.8240 nan 0.1931 0.0118
6 0.8066 nan 0.1931 0.0081
7 0.7851 nan 0.1931 0.0106
8 0.7720 nan 0.1931 0.0062
9 0.7569 nan 0.1931 0.0077
10 0.7454 nan 0.1931 0.0057
20 0.6720 nan 0.1931 0.0011
40 0.6249 nan 0.1931 0.0001
60 0.6075 nan 0.1931 -0.0000
80 0.5967 nan 0.1931 0.0001
100 0.5887 nan 0.1931 -0.0001
120 0.5829 nan 0.1931 -0.0001
140 0.5783 nan 0.1931 -0.0001
160 0.5741 nan 0.1931 -0.0001
180 0.5712 nan 0.1931 -0.0001
200 0.5686 nan 0.1931 -0.0001
220 0.5664 nan 0.1931 -0.0001
240 0.5642 nan 0.1931 -0.0001
260 0.5619 nan 0.1931 -0.0002
280 0.5593 nan 0.1931 -0.0002
300 0.5577 nan 0.1931 -0.0001
320 0.5566 nan 0.1931 -0.0001
340 0.5550 nan 0.1931 -0.0001
360 0.5532 nan 0.1931 -0.0001
380 0.5520 nan 0.1931 -0.0000
400 0.5508 nan 0.1931 -0.0001
420 0.5490 nan 0.1931 -0.0001
440 0.5482 nan 0.1931 -0.0001
460 0.5476 nan 0.1931 -0.0001
480 0.5466 nan 0.1931 -0.0002
500 0.5457 nan 0.1931 -0.0001
520 0.5448 nan 0.1931 -0.0001
540 0.5435 nan 0.1931 -0.0001
560 0.5426 nan 0.1931 -0.0001
580 0.5417 nan 0.1931 -0.0001
600 0.5404 nan 0.1931 -0.0001
620 0.5397 nan 0.1931 -0.0001
637 0.5387 nan 0.1931 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9878 nan 0.1938 0.0563
2 0.9118 nan 0.1938 0.0382
3 0.8626 nan 0.1938 0.0248
4 0.8297 nan 0.1938 0.0170
5 0.7986 nan 0.1938 0.0153
6 0.7775 nan 0.1938 0.0100
7 0.7561 nan 0.1938 0.0105
8 0.7387 nan 0.1938 0.0085
9 0.7260 nan 0.1938 0.0059
10 0.7158 nan 0.1938 0.0045
20 0.6497 nan 0.1938 0.0012
40 0.6068 nan 0.1938 0.0005
60 0.5898 nan 0.1938 -0.0001
80 0.5789 nan 0.1938 0.0000
100 0.5723 nan 0.1938 -0.0001
120 0.5664 nan 0.1938 -0.0001
140 0.5615 nan 0.1938 -0.0002
160 0.5566 nan 0.1938 -0.0001
180 0.5515 nan 0.1938 -0.0001
200 0.5489 nan 0.1938 -0.0001
220 0.5450 nan 0.1938 -0.0002
240 0.5408 nan 0.1938 -0.0001
260 0.5382 nan 0.1938 -0.0001
280 0.5357 nan 0.1938 -0.0001
300 0.5338 nan 0.1938 -0.0001
320 0.5320 nan 0.1938 -0.0001
340 0.5301 nan 0.1938 -0.0001
360 0.5272 nan 0.1938 -0.0001
380 0.5249 nan 0.1938 -0.0001
400 0.5227 nan 0.1938 -0.0001
420 0.5207 nan 0.1938 -0.0001
440 0.5187 nan 0.1938 -0.0002
460 0.5170 nan 0.1938 -0.0001
480 0.5147 nan 0.1938 -0.0001
500 0.5132 nan 0.1938 -0.0002
520 0.5118 nan 0.1938 -0.0001
523 0.5115 nan 0.1938 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0270 nan 0.1946 0.0359
2 0.9828 nan 0.1946 0.0212
3 0.9407 nan 0.1946 0.0220
4 0.9114 nan 0.1946 0.0145
5 0.8822 nan 0.1946 0.0146
6 0.8641 nan 0.1946 0.0091
7 0.8445 nan 0.1946 0.0098
8 0.8275 nan 0.1946 0.0081
9 0.8162 nan 0.1946 0.0054
10 0.8055 nan 0.1946 0.0053
20 0.7265 nan 0.1946 0.0033
40 0.6645 nan 0.1946 0.0006
60 0.6384 nan 0.1946 0.0002
80 0.6254 nan 0.1946 0.0000
100 0.6161 nan 0.1946 -0.0000
120 0.6088 nan 0.1946 0.0001
140 0.6044 nan 0.1946 -0.0000
160 0.5995 nan 0.1946 0.0002
180 0.5971 nan 0.1946 -0.0000
200 0.5941 nan 0.1946 -0.0000
220 0.5922 nan 0.1946 -0.0001
240 0.5904 nan 0.1946 -0.0001
260 0.5880 nan 0.1946 -0.0001
280 0.5865 nan 0.1946 -0.0000
300 0.5855 nan 0.1946 -0.0001
320 0.5843 nan 0.1946 -0.0001
340 0.5833 nan 0.1946 -0.0001
360 0.5821 nan 0.1946 -0.0001
380 0.5813 nan 0.1946 -0.0001
400 0.5807 nan 0.1946 -0.0001
420 0.5802 nan 0.1946 -0.0000
440 0.5796 nan 0.1946 -0.0001
460 0.5792 nan 0.1946 -0.0001
480 0.5785 nan 0.1946 -0.0001
500 0.5781 nan 0.1946 -0.0001
520 0.5778 nan 0.1946 -0.0001
540 0.5771 nan 0.1946 -0.0000
560 0.5768 nan 0.1946 -0.0001
580 0.5765 nan 0.1946 -0.0001
600 0.5760 nan 0.1946 -0.0001
603 0.5760 nan 0.1946 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0025 nan 0.1956 0.0495
2 0.9380 nan 0.1956 0.0325
3 0.8843 nan 0.1956 0.0264
4 0.8487 nan 0.1956 0.0181
5 0.8246 nan 0.1956 0.0124
6 0.8012 nan 0.1956 0.0118
7 0.7843 nan 0.1956 0.0084
8 0.7650 nan 0.1956 0.0094
9 0.7526 nan 0.1956 0.0057
10 0.7422 nan 0.1956 0.0048
20 0.6685 nan 0.1956 0.0024
40 0.6222 nan 0.1956 0.0005
60 0.6047 nan 0.1956 0.0002
80 0.5927 nan 0.1956 0.0000
100 0.5841 nan 0.1956 0.0002
120 0.5792 nan 0.1956 -0.0002
140 0.5744 nan 0.1956 -0.0001
160 0.5708 nan 0.1956 -0.0000
180 0.5664 nan 0.1956 -0.0001
200 0.5635 nan 0.1956 -0.0001
220 0.5604 nan 0.1956 -0.0001
240 0.5577 nan 0.1956 -0.0001
260 0.5553 nan 0.1956 -0.0001
280 0.5535 nan 0.1956 -0.0003
300 0.5518 nan 0.1956 -0.0000
310 0.5512 nan 0.1956 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0053 nan 0.1958 0.0464
2 0.9372 nan 0.1958 0.0340
3 0.8864 nan 0.1958 0.0259
4 0.8567 nan 0.1958 0.0147
5 0.8262 nan 0.1958 0.0149
6 0.7996 nan 0.1958 0.0128
7 0.7791 nan 0.1958 0.0101
8 0.7639 nan 0.1958 0.0075
9 0.7496 nan 0.1958 0.0068
10 0.7374 nan 0.1958 0.0057
20 0.6681 nan 0.1958 0.0028
40 0.6251 nan 0.1958 0.0002
60 0.6068 nan 0.1958 0.0001
80 0.5964 nan 0.1958 -0.0000
100 0.5898 nan 0.1958 0.0000
120 0.5840 nan 0.1958 0.0001
140 0.5789 nan 0.1958 -0.0002
160 0.5747 nan 0.1958 -0.0001
180 0.5713 nan 0.1958 -0.0000
200 0.5687 nan 0.1958 -0.0001
220 0.5664 nan 0.1958 -0.0000
240 0.5645 nan 0.1958 0.0000
260 0.5627 nan 0.1958 -0.0001
280 0.5609 nan 0.1958 -0.0000
300 0.5595 nan 0.1958 -0.0001
320 0.5576 nan 0.1958 -0.0001
340 0.5563 nan 0.1958 -0.0001
360 0.5544 nan 0.1958 -0.0002
380 0.5528 nan 0.1958 -0.0001
400 0.5507 nan 0.1958 -0.0002
420 0.5495 nan 0.1958 -0.0001
440 0.5480 nan 0.1958 -0.0001
460 0.5471 nan 0.1958 -0.0001
467 0.5470 nan 0.1958 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0007 nan 0.1968 0.0490
2 0.9230 nan 0.1968 0.0394
3 0.8787 nan 0.1968 0.0219
4 0.8401 nan 0.1968 0.0189
5 0.8169 nan 0.1968 0.0119
6 0.7980 nan 0.1968 0.0093
7 0.7783 nan 0.1968 0.0097
8 0.7603 nan 0.1968 0.0093
9 0.7465 nan 0.1968 0.0066
10 0.7354 nan 0.1968 0.0053
20 0.6652 nan 0.1968 0.0020
40 0.6238 nan 0.1968 0.0003
60 0.6070 nan 0.1968 0.0001
80 0.5965 nan 0.1968 0.0002
100 0.5888 nan 0.1968 0.0000
120 0.5817 nan 0.1968 0.0001
140 0.5768 nan 0.1968 -0.0000
160 0.5728 nan 0.1968 0.0001
180 0.5681 nan 0.1968 0.0003
200 0.5666 nan 0.1968 -0.0001
220 0.5637 nan 0.1968 -0.0002
240 0.5610 nan 0.1968 -0.0001
260 0.5578 nan 0.1968 0.0000
277 0.5561 nan 0.1968 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9999 nan 0.1973 0.0495
2 0.9359 nan 0.1973 0.0325
3 0.8817 nan 0.1973 0.0266
4 0.8488 nan 0.1973 0.0155
5 0.8199 nan 0.1973 0.0146
6 0.7954 nan 0.1973 0.0124
7 0.7768 nan 0.1973 0.0089
8 0.7616 nan 0.1973 0.0073
9 0.7507 nan 0.1973 0.0052
10 0.7372 nan 0.1973 0.0063
20 0.6677 nan 0.1973 0.0019
40 0.6227 nan 0.1973 0.0003
60 0.6046 nan 0.1973 0.0003
80 0.5950 nan 0.1973 -0.0002
100 0.5880 nan 0.1973 -0.0000
120 0.5832 nan 0.1973 0.0000
140 0.5790 nan 0.1973 -0.0001
160 0.5752 nan 0.1973 -0.0001
180 0.5715 nan 0.1973 -0.0001
200 0.5682 nan 0.1973 0.0000
220 0.5651 nan 0.1973 -0.0001
240 0.5636 nan 0.1973 -0.0001
260 0.5616 nan 0.1973 -0.0000
280 0.5600 nan 0.1973 -0.0002
300 0.5574 nan 0.1973 -0.0000
320 0.5561 nan 0.1973 -0.0001
340 0.5545 nan 0.1973 -0.0001
360 0.5534 nan 0.1973 -0.0001
380 0.5522 nan 0.1973 -0.0002
400 0.5502 nan 0.1973 -0.0001
420 0.5488 nan 0.1973 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9847 nan 0.1983 0.0579
2 0.9088 nan 0.1983 0.0372
3 0.8615 nan 0.1983 0.0234
4 0.8210 nan 0.1983 0.0211
5 0.7927 nan 0.1983 0.0140
6 0.7660 nan 0.1983 0.0133
7 0.7505 nan 0.1983 0.0074
8 0.7352 nan 0.1983 0.0074
9 0.7207 nan 0.1983 0.0070
10 0.7080 nan 0.1983 0.0060
20 0.6431 nan 0.1983 0.0015
40 0.6059 nan 0.1983 0.0006
60 0.5901 nan 0.1983 0.0001
80 0.5803 nan 0.1983 0.0001
100 0.5728 nan 0.1983 -0.0002
120 0.5675 nan 0.1983 -0.0001
140 0.5628 nan 0.1983 -0.0002
160 0.5593 nan 0.1983 -0.0001
180 0.5560 nan 0.1983 -0.0001
200 0.5535 nan 0.1983 -0.0000
220 0.5512 nan 0.1983 -0.0001
240 0.5495 nan 0.1983 -0.0002
260 0.5465 nan 0.1983 -0.0002
280 0.5444 nan 0.1983 -0.0001
300 0.5422 nan 0.1983 -0.0001
320 0.5398 nan 0.1983 -0.0000
340 0.5381 nan 0.1983 -0.0002
360 0.5355 nan 0.1983 -0.0002
380 0.5342 nan 0.1983 -0.0002
400 0.5327 nan 0.1983 -0.0001
420 0.5313 nan 0.1983 -0.0003
440 0.5297 nan 0.1983 -0.0002
460 0.5282 nan 0.1983 -0.0001
480 0.5267 nan 0.1983 -0.0003
500 0.5249 nan 0.1983 -0.0001
520 0.5236 nan 0.1983 -0.0002
540 0.5227 nan 0.1983 -0.0002
560 0.5214 nan 0.1983 -0.0001
580 0.5205 nan 0.1983 -0.0002
594 0.5195 nan 0.1983 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.9849 nan 0.1999 0.0576
2 0.9080 nan 0.1999 0.0383
3 0.8606 nan 0.1999 0.0231
4 0.8192 nan 0.1999 0.0205
5 0.7924 nan 0.1999 0.0131
6 0.7680 nan 0.1999 0.0120
7 0.7525 nan 0.1999 0.0082
8 0.7384 nan 0.1999 0.0065
9 0.7210 nan 0.1999 0.0086
10 0.7105 nan 0.1999 0.0052
20 0.6461 nan 0.1999 0.0016
40 0.6072 nan 0.1999 0.0005
60 0.5901 nan 0.1999 0.0001
80 0.5787 nan 0.1999 0.0003
100 0.5706 nan 0.1999 -0.0000
120 0.5646 nan 0.1999 -0.0000
140 0.5600 nan 0.1999 -0.0001
160 0.5563 nan 0.1999 -0.0001
180 0.5525 nan 0.1999 -0.0001
196 0.5504 nan 0.1999 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 1.0803 nan 0.0280 0.0104
2 1.0614 nan 0.0280 0.0094
3 1.0436 nan 0.0280 0.0089
4 1.0274 nan 0.0280 0.0082
5 1.0121 nan 0.0280 0.0078
6 0.9976 nan 0.0280 0.0072
7 0.9841 nan 0.0280 0.0067
8 0.9713 nan 0.0280 0.0064
9 0.9592 nan 0.0280 0.0060
10 0.9479 nan 0.0280 0.0056
20 0.8610 nan 0.0280 0.0035
40 0.7637 nan 0.0280 0.0019
60 0.7081 nan 0.0280 0.0010
80 0.6748 nan 0.0280 0.0005
100 0.6522 nan 0.0280 0.0004
120 0.6374 nan 0.0280 0.0003
140 0.6251 nan 0.0280 0.0003
160 0.6163 nan 0.0280 0.0002
180 0.6089 nan 0.0280 0.0001
200 0.6018 nan 0.0280 0.0002
220 0.5969 nan 0.0280 0.0001
240 0.5929 nan 0.0280 0.0001
260 0.5887 nan 0.0280 0.0000
280 0.5857 nan 0.0280 0.0001
300 0.5824 nan 0.0280 -0.0000
320 0.5796 nan 0.0280 0.0001
340 0.5769 nan 0.0280 0.0000
360 0.5750 nan 0.0280 0.0000
380 0.5732 nan 0.0280 0.0000
400 0.5713 nan 0.0280 0.0000
420 0.5691 nan 0.0280 -0.0000
440 0.5670 nan 0.0280 0.0000
460 0.5655 nan 0.0280 0.0000
480 0.5640 nan 0.0280 -0.0000
500 0.5626 nan 0.0280 0.0000
520 0.5608 nan 0.0280 -0.0000
540 0.5594 nan 0.0280 -0.0000
560 0.5581 nan 0.0280 -0.0000
580 0.5568 nan 0.0280 -0.0000
600 0.5557 nan 0.0280 0.0000
620 0.5545 nan 0.0280 0.0000
640 0.5533 nan 0.0280 0.0000
660 0.5519 nan 0.0280 -0.0000
680 0.5510 nan 0.0280 -0.0000
700 0.5502 nan 0.0280 -0.0000
720 0.5488 nan 0.0280 -0.0000
740 0.5479 nan 0.0280 -0.0000
760 0.5469 nan 0.0280 -0.0000
780 0.5460 nan 0.0280 -0.0000
800 0.5451 nan 0.0280 -0.0000
820 0.5441 nan 0.0280 -0.0000
840 0.5432 nan 0.0280 0.0000
860 0.5422 nan 0.0280 -0.0000
880 0.5411 nan 0.0280 -0.0000
900 0.5404 nan 0.0280 0.0000
918 0.5395 nan 0.0280 0.0001
# Look at which variables are important
summary(trainClustObjModel) var rel.inf
marital_statusmarried_civ_spouse marital_statusmarried_civ_spouse 34.14386943
capital_gain capital_gain 19.28350397
education_num education_num 18.46386352
capital_loss capital_loss 6.69790543
age age 6.00886443
hours_per_week hours_per_week 4.57948258
fnlwgt fnlwgt 2.13435266
occupationexec_managerial occupationexec_managerial 1.91368944
occupationprof_specialty occupationprof_specialty 0.97579120
relationshipwife relationshipwife 0.68197531
workclassself_emp_not_inc workclassself_emp_not_inc 0.47497735
occupationother_service occupationother_service 0.36278234
occupationtech_support occupationtech_support 0.26625847
occupationfarming_fishing occupationfarming_fishing 0.26575993
occupationsales occupationsales 0.25872567
workclassfederal_gov workclassfederal_gov 0.25710659
cluster cluster 0.24686851
educationbachelors educationbachelors 0.21072017
sexfemale sexfemale 0.20332298
workclasslocal_gov workclasslocal_gov 0.19546928
relationshipnot_in_family relationshipnot_in_family 0.19024993
relationshiphusband relationshiphusband 0.17126066
workclassself_emp_inc workclassself_emp_inc 0.16987011
occupationprotective_serv occupationprotective_serv 0.16880614
racewhite racewhite 0.16403918
sexmale sexmale 0.12969370
occupationadm_clerical occupationadm_clerical 0.09803062
workclassprivate workclassprivate 0.08943273
occupationhandlers_cleaners occupationhandlers_cleaners 0.07982659
occupationmachine_op_inspct occupationmachine_op_inspct 0.07903017
occupationcraft_repair occupationcraft_repair 0.07608076
raceasian_pac_islander raceasian_pac_islander 0.06810248
marital_statuswidowed marital_statuswidowed 0.06023973
marital_statusnever_married marital_statusnever_married 0.05980623
educationsome_college educationsome_college 0.05970615
educationassoc_voc educationassoc_voc 0.05949534
educationprof_school educationprof_school 0.05773394
[ reached 'max' / getOption("max.print") -- omitted 30 rows ]
Again, do the same as before but for our clustered dataset
# Adding missing dummy variables to test set ------------------------------
# Clustered countries
# Coefficient names used in the model
coefNames <- data.frame(names = trainClustObjModel$coefnames) %>%
mutate(n = 1)
testClustNames <- data.frame(names = names(testClust)) %>%
mutate(n = 1)
# Check difference in Model Coefficient names and test dataset
nameDiff <- dplyr::anti_join(coefNames, testClustNames)
# Add variables that are missing from test
for (nm in nameDiff$names) {
testClust[[nm]] <- 0
}Model evaluation on both models.
First use the model to predict on the train set, then print some evaluation metrics.
# Model evaluation --------------------------------------------------------
# Original with Countries
# Get predictions and probabilities on your test data
origPredRawtrain <- predict(object = trainOrigObjModel, trainOrig, type = 'raw')
origPredProbtrain <- predict(object = trainOrigObjModel, trainOrig, type = 'prob')
head(origPredRawtrain)[1] low low low low low high
Levels: high low
head(origPredProbtrain) high low
1 0.04764373 0.95235627
2 0.03047931 0.96952069
3 0.10288000 0.89712000
4 0.46509916 0.53490084
5 0.49935389 0.50064611
6 0.93056704 0.06943296
# Overall Accuracy
print(caret::postResample(pred = origPredRawtrain, obs = as.factor(trainOrig[,"income"]))) Accuracy Kappa
0.8786764 0.6438735
aucOrigtrain <- pROC::roc(ifelse(trainOrig[,"income"] == "high", 1, 0), origPredProbtrain[[1]])
print(aucOrigtrain$auc)Area under the curve: 0.934
Then use the model to predict on the test set and print some evaluation metrics.
# Model evaluation --------------------------------------------------------
# Original with Countries
# Get predictions and probabilities on your test data
origPredRaw <- predict(object = trainOrigObjModel, testOrig, type = 'raw')
origPredProb <- predict(object = trainOrigObjModel, testOrig, type = 'prob')
head(origPredRaw)[1] low low low low low low
Levels: high low
head(origPredProb) high low
1 0.01180675 0.9881933
2 0.18111979 0.8188802
3 0.00883936 0.9911606
4 0.21063047 0.7893695
5 0.06003797 0.9399620
6 0.29277881 0.7072212
# Overall Accuracy
print(caret::postResample(pred = origPredRaw, obs = as.factor(testOrig[,"income"]))) Accuracy Kappa
0.8669825 0.6117623
aucOrig <- pROC::roc(ifelse(testOrig[,"income"] == "high", 1, 0), origPredProb[[1]])
print(aucOrig$auc)Area under the curve: 0.927
Repeat the same on the Clustered data for train
# Clustered data
# Get predictions and probabilities on your test data
clustPredRawtrain <- predict(object = trainClustObjModel, trainClust, type = 'raw')
clustPredProbtrain <- predict(object = trainClustObjModel, trainClust, type = 'prob')
head(clustPredRawtrain)[1] low low low high low high
Levels: high low
head(clustPredProbtrain) high low
1 0.04116547 0.9588345
2 0.02929703 0.9707030
3 0.10164006 0.8983599
4 0.52784644 0.4721536
5 0.47643135 0.5235686
6 0.93420420 0.0657958
# Overall Accuracy
print(caret::postResample(pred = clustPredRawtrain, obs = as.factor(trainClust[,"income"]))) Accuracy Kappa
0.8786443 0.6438668
aucClusttrain <- pROC::roc(ifelse(trainClust[,"income"] == "high", 1, 0), clustPredProbtrain[[1]])
print(aucClusttrain$auc)Area under the curve: 0.9342
Repeat the same on the Clustered data for test
# Clustered data
# Get predictions and probabilities on your test data
clustPredRaw <- predict(object = trainClustObjModel, testClust, type = 'raw')
clustPredProb <- predict(object = trainClustObjModel, testClust, type = 'prob')
head(clustPredRaw)[1] low low low low low low
Levels: high low
head(clustPredProb) high low
1 0.008639805 0.9913602
2 0.174584832 0.8254152
3 0.008546076 0.9914539
4 0.269156874 0.7308431
5 0.069200820 0.9307992
6 0.289710354 0.7102896
# Overall Accuracy
print(caret::postResample(pred = clustPredRaw, obs = as.factor(testClust[,"income"]))) Accuracy Kappa
0.8671105 0.6134165
aucClust <- pROC::roc(ifelse(testClust[,"income"] == "high", 1, 0), clustPredProb[[1]])
print(aucClust$auc)Area under the curve: 0.9271
Here we can see that there isn’t a big difference between the AUC for the test sets. There is a slight improvement although only marginal, ideally we would like to see a bigger improvement but it’s still good because the model with clusters is simpler and countries now has a higher variable importance achieving a similar performance.
Appendix
With K means Clustering we essentially want to minimize the Intra Cluster distance (Inertia) whilst maximizing the Inter Cluster distance (Dunn Index).
K means finds clusters such that the total intra-cluster variation (or total within-cluster sum of square (WSS)) is minimized. The total WSS measures the compactness of the clustering and we want it to be as small as possible. Refer to appendix to see how to calculate the distance using Euclidian distance.
This gif shows you how K means works: (see the appendix for links to full explanations)
As mentioned there are other types of clustering and ways to select your optimal K.
# Hierarchical clustering with Silhouette method
factoextra::fviz_nbclust(clustPrep, cluster::fanny, method = "silhouette") +
geom_vline(xintercept = 3, linetype = 2)# Hierarchical clustering with Gap statistic
factoextra::fviz_nbclust(clustPrep, hcut, method = "gap_stat") +
geom_vline(xintercept = 3, linetype = 2)Link to other types of Clustering Algorithms mentioned at the start